분포 강건 강화 학습

Kirjaudu sisään

näkemys - 분포 강건 강화 학습

단일 궤적 분포 강건 강화 학습

분포 강건 강화 학습(DRRL)은 훈련 환경과 테스트 환경의 차이를 극복하기 위해 제안되었다. 기존 DRRL 알고리즘은 모델 기반이거나 단일 샘플 궤적에서 학습하지 못했다. 이 논문에서는 완전히 모델 없는 DRRL 알고리즘인 DRQ를 제안한다. DRQ는 다중 시간 척도 프레임워크를 사용하여 단일 궤적에서 최적의 분포 강건 정책을 직접 학습한다. 실험 결과 DRQ가 기존 비강건 및 강건 RL 알고리즘보다 우수한 강건성과 샘플 효율성을 보여준다.

모델 기반 강화 학습에서 분포 강건성의 호기심 어린 가격

이 논문은 일반화 모델을 사용하여 강화 학습에서 모델 강건성을 줄이는 방법을 조사합니다. 저자들은 분포 강건 마르코프 의사 결정 프로세스(RMDP) 프레임워크를 채택하여 배치 환경이 명목 MDP 주변의 지정된 불확실성 집합 내에 있을 때 최악의 성능을 최적화하는 정책을 학습합니다. 저자들은 총 변동(TV) 거리 또는 χ2 발산을 사용하여 불확실성 집합을 지정할 때 RMDP의 표본 복잡성을 특성화합니다.

상호작용 데이터 수집을 통한 분포 강건 강화 학습의 근본적 어려움과 근사 최적 알고리즘

상호작용 데이터 수집을 통한 분포 강건 강화 학습은 근본적으로 어려운 문제이지만, 특정 가정 하에서는 효율적인 알고리즘을 설계할 수 있다.

Tietoja

Tuotteet

Resurssit