强化学习技术综述：策略、近期进展与未来方向
人工智能
2020-02-03 v2
摘要
强化学习是设计强调实时响应的人工智能系统的核心组成部分之一。强化学习促使系统在任意环境中采取行动，无论是否具备关于环境模型的先验知识。本文对强化学习进行了全面研究，关注包括挑战、不同前沿技术（state-of-the-art）的近期进展以及未来方向在内的多个维度。本文的基本目标是为呈现现有强化学习方法提供一个框架，该框架信息充分且易于本域新研究人员与学者跟进，并考量最新关切。首先，我们以易于理解和比较的方式阐明了强化学习的核心技术。最后，我们分析并描绘了强化学习方法中的近期进展。我的分析指出，大多数模型侧重于在特定推理状态下调整策略值而非调整其他内容。
引用
@article{arxiv.2001.06921,
title = {A Survey of Reinforcement Learning Techniques: Strategies, Recent Development, and Future Directions},
author = {Amit Kumar Mondal},
journal= {arXiv preprint arXiv:2001.06921},
year = {2020}
}
备注
This submission has been withdrawn by arXiv administrators as the second author was added without their knowledge or consent