基于可解释子目标的新颖好奇心与可解释强化学习方法
机器学习
2021-04-20 v2
摘要
强化学习中的两个关键挑战涉及改进（a）智能体在具有稀疏外在奖励环境中的学习，以及（b）智能体动作的可解释性。我们描述了一种以好奇心子目标为中心的智能体以应对这两大挑战。我们采用一种由基于生成对抗网络（GAN）的环境转移模型产生的新型好奇心方法，其对随机环境转移具有鲁棒性。此外，我们使用子目标生成网络来引导导航。通过将复杂任务分解为一系列无需任何人工设计的可解释子目标，智能体行为的可解释性得以提升。我们表明，该方法还使智能体能够解决包含随机转移且难于其他最先进方法的具有挑战性的程序生成任务。
引用
@article{arxiv.2104.06630,
title = {A Novel Approach to Curiosity and Explainable Reinforcement Learning via Interpretable Sub-Goals},
author = {Connor van Rossum and Candice Feinberg and Adam Abu Shumays and Kyle Baxter and Benedek Bartha},
journal= {arXiv preprint arXiv:2104.06630},
year = {2021}
}
备注
This work has been submitted to the IEEE for possible publication