在生物启发域中利用对称性增强学习
机器学习
2019-10-02 v1 人工智能
机器人学
机器学习
摘要
对平移、旋转及其他空间变换的不变性是运动定律的标志，并在自然科学中广泛用于将方程组降维。在监督学习（如图像分类任务）中，旋转、平移和尺度不变性被用于扩充训练数据集。在本工作中，我们以类似方式使用数据扩充，利用 DeepMind 控制套件（Tassa et al. 2018）四足域中的对称性，为 Abdolmaleki et al. (2018) 的 actor-critic 算法中 actor 所经历的轨迹增添数据。在数据受限情形下，使用经对称性扩充的经验集的智能体能够学得更快。我们的方法可用于向域与任务中注入不变性知识，以增强机器人学习，更一般地，加速现实机器人应用中的学习。
引用
@article{arxiv.1910.00528,
title = {Augmenting learning using symmetry in a biologically-inspired domain},
author = {Shruti Mishra and Abbas Abdolmaleki and Arthur Guez and Piotr Trochim and Doina Precup},
journal= {arXiv preprint arXiv:1910.00528},
year = {2019}
}