一种用于目标距离未知的情景式学习任务的混合学习智能体
量子物理
2024-12-19 v1
摘要
如 (Hamann and Wölk, 2022) 中所定义的“量子可访问强化学习的混合智能体”，提供了经过证明的拟二次加速，并已通过实验测试。然而，其标准版本仅适用于具有固定回合长度的情景式学习任务。在许多实际应用中，关于在一个回合内到达预定目标所需步数的信息是无法预先获得的，尤其是在首次到达目标之前。此外，在这种场景下，经典智能体具有能够观察到其在哪一步到达目标的优势。迄今为止，混合智能体在此类学习场景中是否能提供优势尚属未知。在本工作中，我们引入了一种具有随机回合长度选择策略的混合智能体，以消除对必要回合长度知识的需求。通过仿真，我们测试了改进后的混合智能体与经典对应物的性能。我们发现，在目标距离未知且无固定回合长度的特定场景中，混合智能体比相应的经典学习智能体学习得更快。
引用
@article{arxiv.2412.13686,
title = {A hybrid learning agent for episodic learning tasks with unknown target distance},
author = {Oliver Sefrin and Sabine Wölk},
journal= {arXiv preprint arXiv:2412.13686},
year = {2024}
}
备注
18 pages, 7 figures, submitted to Quantum Machine Intelligence