基于锚定神经网络集成进行贝叶斯推断及其在强化学习探索中的应用
机器学习
2018-07-03 v3 人工智能
机器学习
摘要
使用神经网络(NNs)集成来量化预测不确定性已被广泛采用。然而，当前的合理性解释是直观的而非解析的。本工作对常规集成方法提出一处微小修改，我们证明该修改使得集成能够执行贝叶斯推断，从而在NNs总数与每个NN的规模均趋于无穷时收敛到相应的高斯过程。本工作论文提供了强化学习环境下的早期阶段结果，分析了该技术在有限数量小型集成中的实用性。使用锚定集成产生的不确定性估计来调控探索-利用过程，带来了更平稳、更稳定的学习。
引用
@article{arxiv.1805.11324,
title = {Bayesian Inference with Anchored Ensembles of Neural Networks, and Application to Exploration in Reinforcement Learning},
author = {Tim Pearce and Nicolas Anastassacos and Mohamed Zaki and Andy Neely},
journal= {arXiv preprint arXiv:1805.11324},
year = {2018}
}