Coprocessor Actor Critic：面向自适应脑刺激的基于模型的强化学习方法

Michelle Pan; Mariah Schrum; Vivek Myers; Erdem Bıyık; Anca Dragan

Coprocessor Actor Critic：面向自适应脑刺激的基于模型的强化学习方法

机器学习 2024-11-01 v2 人工智能人机交互

作者: Michelle Pan , Mariah Schrum , Vivek Myers , Erdem Bıyık , Anca Dragan

摘要

自适应脑刺激可治疗帕金森病和卒中后运动缺陷等神经疾病，通过影响异常神经活动来实现。由于患者差异，每个患者都需要独特的刺激策略以实现最佳神经反应。虽然基于模型的强化学习 (MBRL) 在学习类似控制任务的有效策略方面具有潜力，但在脑刺激等领域受限于大量昂贵的环境交互。本文我们引入 Coprocessor Actor Critic，这是一种新颖的基于模型的强化学习 (MBRL) 方法，用于学习神经 coprocessor 策略。我们的关键洞察是，coprocessor 策略学习既是学习如何在世界中最佳行动，也是学习如何通过对受伤大脑的刺激来诱导最佳行动。我们展示了该方法克服了传统 MFRL 方法在样本效率和任务成功率上的限制，并在神经生理学上真实的受伤大脑模型中超越了基准 MBRL 方法。

关键词

强化学习脑刺激 Actor-Critic 基于模型的帕金森病

引用

@article{arxiv.2406.06714,
  title  = {Coprocessor Actor Critic: A Model-Based Reinforcement Learning Approach For Adaptive Brain Stimulation},
  author = {Michelle Pan and Mariah Schrum and Vivek Myers and Erdem Bıyık and Anca Dragan},
  journal= {arXiv preprint arXiv:2406.06714},
  year   = {2024}
}

备注

Proceedings of the 41st International Conference on Machine Learning (ICML 2024)

Coprocessor Actor Critic：面向自适应脑刺激的基于模型的强化学习方法

摘要

关键词

引用

备注

相关论文