在策略游戏中比较基于知识的强化学习与神经网络
人工智能
2020-11-11 v2
摘要
本文报道了一项实验，其中将基于知识的强化学习（KB-RL）方法与神经网络（NN）方法在解决经典人工智能（AI）任务中进行比较。与需要大量数据来学习良好策略的神经网络不同，KB-RL方法力求将人类知识编码到解决方案中，大幅减少学习良好策略所需的数据量。通过强化学习（RL），KB-RL学习优化模型并改进系统输出。此外，KB-RL具有明显解释所采取决策以及解决方案背后透明推理的优势。所报道实验的目标是考察KB-RL方法相对于神经网络的性能，并探索KB-RL为AI任务提供强有力解决方案的能力。结果表明，在设定的实验环境中，KB-RL优于NN，并能够从可用数据量中学习到更好的策略。这些结果支持了这样一种观点：人工智能可以受益于替代方法的发现与研究，从而潜在地拓展AI的边界。
引用
@article{arxiv.1901.04626,
title = {Comparing Knowledge-based Reinforcement Learning to Neural Networks in a Strategy Game},
author = {Liudmyla Nechepurenko and Viktor Voss and Vyacheslav Gritsenko},
journal= {arXiv preprint arXiv:1901.04626},
year = {2020}
}
备注
7 pages, 6 figures