ATARI 游戏强化学习中的压缩与定位
机器学习
2019-04-23 v1 人工智能
机器学习
摘要
深度神经网络在强化学习领域已十分常见，但其所需参数数量往往十分庞大。尽管近来压缩深度神经网络以克服此缺陷已变得极为重要，但在强化学习智能体背景下解决该问题的研究甚少。本文旨在朝强化学习智能体中的模型压缩迈出第一步。具体而言，我们将网络压缩以大幅减少其中的参数数量（压缩至原始规模不到 3%），并借助在最终卷积层后施加全局最大池化来进一步实现，且提出在压缩背景下使用 Actor-Mimic。最后，我们表明该全局最大池化可实现弱监督目标定位，提升识别智能体关注点的能力。
引用
@article{arxiv.1904.09489,
title = {Compression and Localization in Reinforcement Learning for ATARI Games},
author = {Joel Ruben Antony Moniz and Barun Patra and Sarthak Garg},
journal= {arXiv preprint arXiv:1904.09489},
year = {2019}
}
备注
NeurIPS 2018 Deep Reinforcement Learning Workshop