論文の概要: An Introduction to Deep Reinforcement and Imitation Learning

• arxiv url: http://arxiv.org/abs/2512.08052v2
• Date: Thu, 11 Dec 2025 00:05:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 14:11:15.195359
• Title: An Introduction to Deep Reinforcement and Imitation Learning
• Title（参考訳）: 深層強化と模倣学習入門
• Authors: Pedro Santana,
• Abstract要約: 本報告では, DRL と DIL をエンボディエージェントの文脈で導入する。 自己完結型であり、必要な数学的および機械学習の概念をすべて必要としている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Embodied agents, such as robots and virtual characters, must continuously select actions to execute tasks effectively, solving complex sequential decision-making problems. Given the difficulty of designing such controllers manually, learning-based approaches have emerged as promising alternatives, most notably Deep Reinforcement Learning (DRL) and Deep Imitation Learning (DIL). DRL leverages reward signals to optimize behavior, while DIL uses expert demonstrations to guide learning. This document introduces DRL and DIL in the context of embodied agents, adopting a concise, depth-first approach to the literature. It is self-contained, presenting all necessary mathematical and machine learning concepts as they are needed. It is not intended as a survey of the field; rather, it focuses on a small set of foundational algorithms and techniques, prioritizing in-depth understanding over broad coverage. The material ranges from Markov Decision Processes to REINFORCE and Proximal Policy Optimization (PPO) for DRL, and from Behavioral Cloning to Dataset Aggregation (DAgger) and Generative Adversarial Imitation Learning (GAIL) for DIL.
• Abstract（参考訳）: ロボットや仮想キャラクタのような身体的エージェントは、タスクを効果的に実行するアクションを継続的に選択し、複雑なシーケンシャルな意思決定問題を解決する必要がある。 このようなコントローラを手動で設計することの難しさを踏まえ、ディープラーニング学習(DRL)や深層模倣学習(DIL)など、学習ベースのアプローチが有望な選択肢として現れている。 DRLは報酬信号を利用して振る舞いを最適化し、DILは専門家によるデモンストレーションを使って学習をガイドする。 本論文では, DRLとDILを具体化エージェントの文脈で導入し, 文献の簡潔で深度優先的なアプローチを採用する。 自己完結型であり、必要な数学的および機械学習の概念をすべて必要としている。 分野のサーベイを意図したものではなく、より広い範囲で深い理解を優先し、基礎的なアルゴリズムと技法の小さなセットに焦点を当てている。 資料は、マルコフ決定プロセスからDRLのREINFORCEやPPO、DILの行動クローンからデータセット集約(DAgger)、ジェネレーティブ・ディバイザリ・イミテーション・ラーニング(GAIL)まで多岐にわたる。

関連論文リスト

• RLAD: Training LLMs to Discover Abstractions for Solving Reasoning Problems [98.98963933669751]
  問題が発生したら、複数の抽象化を提案できるモデルをトレーニングし、続いてソリューション構築のインセンティブを与えるRLを作ります。 この結果、RLトレーニングパラダイムはRLADと呼ばれ、抽象化ジェネレータとソリューションジェネレータを共同で訓練する。 我々は、大規模なテスト予算で多くのソリューションを生成するよりも、より多くのテスト時間計算を抽象化の生成に割り当てることが、パフォーマンスに有益であることを示しています。
  論文  参考訳（メタデータ） (2025-10-02T17:44:23Z)
• Does Machine Unlearning Truly Remove Knowledge? [80.83986295685128]
  本研究では,3つのベンチマークデータセット,6つのアンラーニングアルゴリズム,および5つのプロンプトベースの監査手法からなる,アンラーニング評価のための総合的な監査フレームワークを提案する。 異なるアンラーニング戦略の有効性とロバスト性を評価する。
  論文  参考訳（メタデータ） (2025-05-29T09:19:07Z)
• A Practical Introduction to Deep Reinforcement Learning [4.701599716969864]
  本チュートリアルは,深層強化学習(DRL)の簡潔で直感的で実践的な導入を目的としたチュートリアルである。 我々は全アルゴリズムをGPI(Generalized Policy Iteration)フレームワークで整理し、読者に統一的で体系的な視点を提供する。 長い理論的な証明の代わりに、直感的な説明、図解的な例、実践的な技術技術を強調します。
  論文  参考訳（メタデータ） (2025-05-13T07:19:16Z)
• A Comprehensive Survey of Reinforcement Learning: From Algorithms to Practical Challenges [2.2448567386846916]
  強化学習(RL)は人工知能(AI)の強力なパラダイムとして登場した。 本稿では,多種多様なアルゴリズムを巧みに分析するRLの包括的調査を行う。 我々は、RLアルゴリズムの選択と実装に関する実践的な洞察を提供し、収束、安定性、探索-探索ジレンマといった共通の課題に対処する。
  論文  参考訳（メタデータ） (2024-11-28T03:53:14Z)
• 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)
• How Can LLM Guide RL? A Value-Based Approach [68.55316627400683]
  強化学習(Reinforcement Learning, RL)は、将来の行動方針をフィードバックで改善することにより、シーケンシャルな意思決定問題の事実上の標準的実践となった。 大規模言語モデル(LLM)の最近の発展は、言語理解と生成において印象的な能力を示したが、探索と自己改善能力に欠けていた。 我々はLINVITというアルゴリズムを開発し、LLMガイダンスを値ベースRLの正規化因子として組み込んで学習に必要なデータ量を大幅に削減する。
  論文  参考訳（メタデータ） (2024-02-25T20:07:13Z)
• Jump-Start Reinforcement Learning [68.82380421479675]
  本稿では、オフラインデータやデモ、あるいは既存のポリシーを使ってRLポリシーを初期化するメタアルゴリズムを提案する。 特に,タスク解決に2つのポリシーを利用するアルゴリズムであるJump-Start Reinforcement Learning (JSRL)を提案する。 実験により、JSRLは既存の模倣と強化学習アルゴリズムを大幅に上回っていることを示す。
  論文  参考訳（メタデータ） (2022-04-05T17:25:22Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。