論文の概要: Foundations of Reinforcement Learning and Control:Connections and New Perspectives

• arxiv url: http://arxiv.org/abs/2608.02433v1
• Date: Mon, 03 Aug 2026 16:12:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 21:56:46.390343
• Title: Foundations of Reinforcement Learning and Control:Connections and New Perspectives
• Title（参考訳）: 強化学習と制御の基礎:つながりと新たな展望
• Authors: Claire Vernade, Onno Eberhard, Martha White, Florian Dörfler, Csaba Szepesvári, Miroslav Krstic, Michael Muehlebach,
• Abstract要約: 強化学習と制御理論は、フィードバックを用いて未知の力学系のコントローラを最適化することに焦点を当てている。 このチュートリアルでは、適応制御、アクター批判強化アルゴリズム、データ駆動意思決定のための2つのパラダイムを組み合わせる新しい方法を紹介する。
• 参考スコア（独自算出の注目度）: 42.429638459727286
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reinforcement learning and control theory are two adjacent scientific fields that focus on optimizing the controller of unknown dynamical systems using feedback. While both fields have common roots in dynamic programming, they have evolved with distinct methodologies, goals, and cultures. Despite decades of mutual influence, a significant gap persists between the two communities. This tutorial introduces adaptive control, actor-critic reinforcement algorithms, and a new way to combine these two paradigms for data-driven decision making on a classical locomotion control problem. Our aim is to provide a foundation for understanding the core differences between the two approaches and insights to help experts in each field better understand and engage with the tools and approaches of the other.
• Abstract（参考訳）: 強化学習と制御理論は、フィードバックを用いて未知の力学系の制御を最適化することに焦点を当てた、隣接する2つの科学分野である。 どちらの分野も動的プログラミングに共通のルーツを持っているが、それらは異なる方法論、ゴール、文化で進化してきた。 何十年にもわたる相互の影響にもかかわらず、この2つのコミュニティの間には大きなギャップが残っている。 このチュートリアルでは、適応制御、アクター-クリティカル強化アルゴリズム、および古典的なロコモーション制御問題におけるデータ駆動決定のための2つのパラダイムを組み合わせる新しい方法を紹介する。 我々の目標は、それぞれの分野の専門家が互いのツールやアプローチをよりよく理解し、関わりやすくするために、2つのアプローチと洞察のコアの違いを理解するための基盤を提供することです。

関連論文リスト

• Stabilization Learning: A Paradigm Transition Bridging Control Theory and Machine Learning [12.657204866483681]
  安定化学習は、制御理論と機械学習を橋渡しする学際パラダイムである。 安定性を第一の目標としており、証明書学習と強化学習を区別している。 本稿では、安定化学習における安定性の2つの主要なカテゴリと、3つの典型的なアプリケーションシナリオについて詳述する。
  論文  参考訳（メタデータ） (2026-06-30T12:19:05Z)
• Synergizing Understanding and Generation with Interleaved Analyzing-Drafting Thinking [154.2388970262703]
  Unified Vision-Language Models (UVLM) は、単一のフレームワーク内での理解と生成の両方をサポートすることで、マルチモーダル学習を促進することを目的としている。 本稿では,解析処理と起案処理を交互に行う新たな思考パラダイムである,インターリーブド・アナライジング・ドレイティング問題解決ループ(AD-Loop)を紹介する。 テキスト思考を視覚的思考とインターリーブすることで、AD-Loopはモデルが理解と出力の両方を反復的に洗練し、真のシナジーを育むことができる。
  論文  参考訳（メタデータ） (2026-02-24T23:26:09Z)
• Coordinating Planning and Tracking in Layered Control Policies via Actor-Critic Learning [5.229380825007323]
  本稿では,(1)軌道プランナと(2)階層型制御アーキテクチャにおけるトラッキングコントローラを協調訓練するための強化学習(RL)に基づくアルゴリズムを提案する。 本アルゴリズムは,アクター・クリティカルな学習手法を取り入れた最適制御問題の書き直しから自然に生じる。
  論文  参考訳（メタデータ） (2024-08-03T02:53:24Z)
• Enforcing the consensus between Trajectory Optimization and Policy Learning for precise robot control [75.28441662678394]
  強化学習(RL)と軌道最適化(TO)は強い相補的優位性を示す。 グローバルコントロールポリシを迅速に学習する上で,これらのアプローチに対して,いくつかの改良が提案されている。
  論文  参考訳（メタデータ） (2022-09-19T13:32:09Z)
• Learning by Doing: Controlling a Dynamical System using Causality, Control, and Reinforcement Learning [27.564435351371653]
  因果性、制御、強化学習に関する質問は、予測の古典的な機械学習タスクを超えて行われる。 異なる視点を組み合わせることでシナジーが生まれると我々は信じており、この競争はこのようなシナジーへの第一歩である。 両方のトラックの目標は、システムを望ましい状態に導く制御を推論することである。
  論文  参考訳（メタデータ） (2022-02-12T12:37:29Z)
• To Supervise or Not: How to Effectively Learn Wireless Interference Management Models? [43.317056712257994]
  機械学習は、無線干渉管理問題の解決に成功している。 このような干渉管理モデルには、教師あり学習と教師なし学習の2つの一般的な訓練パラダイムがある。 特殊な電力制御問題に対して、教師なし学習は教師なし学習よりもはるかに悪い性能を発揮することを示す。
  論文  参考訳（メタデータ） (2021-12-28T06:29:08Z)
• Investigating Bi-Level Optimization for Learning and Vision from a Unified Perspective: A Survey and Beyond [114.39616146985001]
  機械学習やコンピュータビジョンの分野では、モチベーションやメカニズムが異なるにもかかわらず、複雑な問題の多くは、一連の密接に関連するサブプロトコルを含んでいる。 本稿では,BLO(Bi-Level Optimization)の観点から,これらの複雑な学習と視覚問題を一様に表現する。 次に、値関数に基づく単一レベル再構成を構築し、主流勾配に基づくBLO手法を理解し、定式化するための統一的なアルゴリズムフレームワークを確立する。
  論文  参考訳（メタデータ） (2021-01-27T16:20:23Z)
• Behavior Priors for Efficient Reinforcement Learning [97.81587970962232]
  本稿では,情報とアーキテクチャの制約を,確率論的モデリング文献のアイデアと組み合わせて行動の事前学習を行う方法について考察する。 このような潜伏変数の定式化が階層的強化学習(HRL)と相互情報と好奇心に基づく目的との関係について論じる。 シミュレーションされた連続制御領域に適用することで,フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2020-10-27T13:17:18Z)
• Revisiting Meta-Learning as Supervised Learning [69.2067288158133]
  メタラーニングと従来の教師付き学習の関連性を再考し,強化することで,原則的,統一的なフレームワークの提供を目指す。 タスク固有のデータセットとターゲットモデルを(機能、ラベル)サンプルとして扱うことで、多くのメタ学習アルゴリズムを教師付き学習のインスタンスに還元することができる。 この視点は、メタラーニングを直感的で実践的なフレームワークに統一するだけでなく、教師付き学習から直接洞察を伝達してメタラーニングを改善することができる。
  論文  参考訳（メタデータ） (2020-02-03T06:13:01Z)

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。