面向保护决策的深度强化学习
机器学习
2021-06-16 v1 定量方法
摘要
机器学习能否帮助我们针对不断变化的星球做出更好的决策?在本文中,我们阐释并探讨机器学习中一个有前景的角落——称为强化学习(reinforcement learning, RL)——在应对最具挑战性的保护决策问题上的潜力。RL 因三个原因 uniquely well suited( uniquely 适合)于保护与全球变化挑战:(1) RL 明确聚焦于设计一个与动态且不确定环境交互的智能体,(2) RL 方法不需要海量数据,(3) RL 方法会利用而非取代现有模型、模拟及其所含知识。我们提供 RL 的概念与技术导论及其与生态和保护挑战的关联,包括设定渔业配额与管理生态 tipping points(临界点)问题的实例。四个带注释代码的附录为希望采用、评估或扩展这些方法的研究者提供了切实入门。
引用
@article{arxiv.2106.08272,
title = {Deep Reinforcement Learning for Conservation Decisions},
author = {Marcus Lapeyrolerie and Melissa S. Chapman and Kari E. A. Norman and Carl Boettiger},
journal= {arXiv preprint arXiv:2106.08272},
year = {2021}
}
备注
4 appendices