一种无参数学习自动机方案
机器学习
2017-11-29 v1
摘要
对于学习自动机而言，其学习参数的恰当配置对自动机性能至关重要，但由于在真实应用前必须进行手动参数调优，这一配置相对困难。为确保学习自动机在随机环境中稳定可靠的性能，参数调优在该领域可能是一个耗时且耗费交互成本的过程。尤其对于基于学习自动机的应用，若其与环境的交互代价高昂，这便是一个致命的局限。本文提出一种无参数学习自动机方案，通过贝叶斯推断方法避免参数调优。与现有方案需依据环境仔细调参不同，该方案的性能对外部环境不敏感，因为一组参数可一致地应用于多种环境，从而大幅降低了将学习自动机应用于未知随机环境的难度。本文给出了所提方案ε-最优性的严格证明，并在基准环境中进行了数值实验以验证其有效性。结果表明，在不付出任何参数调优代价的情况下，所提无参数学习自动机（PFLA）可取得与其他经过良好调优方案相竞争的性能，并在性能一致性上优于未调优方案。
引用
@article{arxiv.1711.10111,
title = {A Parameter-Free Learning Automaton Scheme},
author = {Hao Ge},
journal= {arXiv preprint arXiv:1711.10111},
year = {2017}
}