级联属性学习网络
人工智能
2017-11-28 v1
摘要
我们提出级联属性学习网络（CALNet），它能够在控制任务中分别学习属性并将它们组装在一起。我们的贡献有两方面：首先我们提出强化学习（RL）中的属性学习。属性过去常使用约束函数或目标函数中的项来建模，难以迁移。而属性学习将这些任务特性建模为策略网络中的模块。我们还提出在 CALNet 中使用新颖的级联补偿网络来学习和组装属性。使用 CALNet，可以通过分别学习所有属性并组装属性模块，对未见过的任务进行零样本（zero shoot）泛化。我们已在具有时间、位置、速度和加速度阶段属性的多种控制问题上验证了模型的性能。
引用
@article{arxiv.1711.09142,
title = {Cascade Attribute Learning Network},
author = {Zhuo Xu and Haonan Chang and Masayoshi Tomizuka},
journal= {arXiv preprint arXiv:1711.09142},
year = {2017}
}