Fugu-MT 論文翻訳(概要): Reinforcement Learning: An Overview

論文の概要: Reinforcement Learning: An Overview

arxiv url: http://arxiv.org/abs/2412.05265v3
Date: Mon, 19 May 2025 15:12:39 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-20 14:57:10.329146
Title: Reinforcement Learning: An Overview
Title（参考訳）: 強化学習の概要
Authors: Kevin Murphy,
Abstract要約: この写本は、(深い)強化学習とシーケンシャルな意思決定の分野を、大きく、最新に概観している。それは、値ベースの方法、ポリシーベースの方法、モデルベースの方法、マルチエージェントRL、LLMとRL、その他様々なトピックをカバーしている。
参考スコア（独自算出の注目度）: 6.146578707999203
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This manuscript gives a big-picture, up-to-date overview of the field of (deep) reinforcement learning and sequential decision making, covering value-based methods, policy-based methods, model-based methods, multi-agent RL, LLMs and RL, and various other topics (e.g., offline RL, hierarchical RL, intrinsic reward).
Abstract（参考訳）: この原稿は、(深い)強化学習とシーケンシャルな意思決定の分野の最新の概要、価値ベースの方法、ポリシーベースの方法、モデルベースの方法、マルチエージェントRL、LLM、RL、その他様々なトピック(例えば、オフラインRL、階層的RL、本質的な報酬)について説明している。

関連論文リスト

Introduction to Reinforcement Learning [2.52299400625445]
強化学習(Reinforcement Learning, RL)は、累積報酬を最大化するために環境と対話して意思決定を行う訓練エージェントに焦点を当てる。本稿ではRLの概要を述べるとともに,その中核となる概念,方法論,さらに学ぶためのリソースについて述べる。
論文参考訳（メタデータ） (2024-08-13T23:08:06Z)
Survey on Large Language Model-Enhanced Reinforcement Learning: Concept, Taxonomy, and Methods [18.771658054884693]
大規模言語モデル(LLM)は、マルチタスク学習、サンプル効率、高レベルのタスク計画といった側面において強化学習(RL)を強化するための有望な道として出現する。本稿では,情報処理装置,報酬設計装置,意思決定装置,ジェネレータの4つの役割を含む,RLにおけるLLMの機能を体系的に分類する構造的分類法を提案する。
論文参考訳（メタデータ） (2024-03-30T08:28:08Z)
Towards an Information Theoretic Framework of Context-Based Offline Meta-Reinforcement Learning [48.79569442193824]
我々は,COMRLアルゴリズムが,タスク変数$M$と,その潜在表現$Z$の相互情報目的を,様々な近似境界を実装して最適化していることを示す。実演として、$I(Z; M)$の教師付きおよび自己教師型実装を提案し、対応する最適化アルゴリズムがRLベンチマークの幅広いスペクトルにわたって顕著な一般化を示すことを実証的に示す。本研究は,COMRL法の情報理論基盤を構築し,強化学習の文脈におけるタスク表現学習の理解を深める。
論文参考訳（メタデータ） (2024-02-04T09:58:42Z)
Masked Modeling for Self-supervised Representation Learning on Vision and Beyond [69.64364187449773]
仮面モデリングは、トレーニング中に比例的にマスキングされる元のデータの一部を予測する、独特なアプローチとして現れてきた。マスクモデリングにおけるテクニックの詳細については,多様なマスキング戦略,ターゲット回復,ネットワークアーキテクチャなどについて詳述する。我々は、現在の手法の限界について議論し、マスクモデリング研究を進めるためのいくつかの道のりを指摘した。
論文参考訳（メタデータ） (2023-12-31T12:03:21Z)
Unified Off-Policy Learning to Rank: a Reinforcement Learning Perspective [61.4025671743675]
メソッドをランク付けするオフポリシー学習は、ユーザがクリックデータを生成する方法に関して、強い仮定をすることが多い。オフライン強化学習は,複雑なデバイアス手法や事前知識を使わずに,様々なクリックモデルに適応できることを示す。様々な大規模データセットの結果から、CUOLRはアルゴリズムのランク付けに最先端のオフポリシー学習を一貫して上回っていることが示される。
論文参考訳（メタデータ） (2023-06-13T03:46:22Z)
Reinforcement Learning with Partial Parametric Model Knowledge [3.3598755777055374]
我々は,環境の完全無知と完全知識のギャップを埋めるために,継続的制御のための強化学習手法を適用した。本手法は,モデルフリーRLとモデルベース制御の両方からインスピレーションを得て,PLSPI(Partial Knowledge Least Squares Policy Iteration)を提案する。
論文参考訳（メタデータ） (2023-04-26T01:04:35Z)
Inverse Reinforcement Learning for Text Summarization [52.765898203824975]
本稿では,抽象的な要約モデルを学習するための効果的なパラダイムとして,逆強化学習(IRL)を導入する。異なる領域におけるデータセット間の実験結果は、MLEおよびRLベースラインに対する要約のための提案したIRLモデルの優位性を示す。
論文参考訳（メタデータ） (2022-12-19T23:45:05Z)
A Comprehensive Survey of Data Augmentation in Visual Reinforcement Learning [53.35317176453194]
データ拡張(DA)は、サンプル効率と一般化可能なポリシーを取得するために視覚的RLで広く使われている技術である。本稿では、視覚的RLで使用されている既存の拡張技法の原則的な分類法を提案し、拡張データをどのように活用するかを詳細に議論する。視覚的RLにおけるDAに関する最初の総合的な調査として、この研究は、この新興分野に貴重なガイダンスを提供するものと期待されている。
論文参考訳（メタデータ） (2022-10-10T11:01:57Z)
Unsupervised Representation Learning in Deep Reinforcement Learning: A Review [1.2016264781280588]
本稿では,DRL(Deep Reinforcement Learning)の文脈における測定データの抽象表現学習の問題点について述べる。このレビューでは、世界の表現を学習するために使用される主要なDeep Learningツールを記述することで、DRLにおける教師なし表現学習の包括的で完全な概要を提供する。
論文参考訳（メタデータ） (2022-08-27T09:38:56Z)
PoBRL: Optimizing Multi-Document Summarization by Blending Reinforcement Learning Policies [68.8204255655161]
マルチドキュメントの要約を解くための強化学習ベースのフレームワーク PoBRL を提案する。私たちの戦略は、この多対象最適化を、強化学習によって個別に解決できるさまざまなサブ問題に分離します。実験結果から,複数のマルチドキュメントデータセットにおける最先端の性能を示す。
論文参考訳（メタデータ） (2021-05-18T02:55:42Z)
Provable Multi-Objective Reinforcement Learning with Generative Models [98.19879408649848]
目的の選好から最適な政策を学習する単一政策 MORL の問題について検討する。既存の方法は、多目的決定プロセスの正確な知識のような強い仮定を必要とする。モデルベースエンベロップ値 (EVI) と呼ばれる新しいアルゴリズムを提案し, 包含された多目的$Q$学習アルゴリズムを一般化する。
論文参考訳（メタデータ） (2020-11-19T22:35:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。