用于大规模概率布尔网络稳定的深度强化学习
机器学习
2022-10-26 v2 人工智能
系统与控制
系统与控制
最优化与控制
摘要
将概率布尔网络（PBN）导向期望状态的能力对诸如癌症生物学中靶向治疗等应用十分重要。强化学习（RL）已被提出作为一种框架，将离散时间最优控制问题表述为马尔可夫决策过程来求解。我们聚焦于一种由无模型深度 RL 方法驱动的综合框架，可处理不同形式的控制问题（例如，带或不带控制输入；以吸引子状态或状态空间子集作为目标域）。该方法对下一状态的概率分布不可知，因此不使用概率转移矩阵。时间复杂度关于训练期间的时间步数，即智能体（深度 RL）与环境（PBN）之间的交互次数，是线性的。事实上，我们探索了深度 RL 方法在大规模 PBN（集）稳定化上的可扩展性，并展示了对大型网络的成功控制，包括一个含 200 个节点的转移性黑色素瘤 PBN。
引用
@article{arxiv.2210.12229,
title = {Deep Reinforcement Learning for Stabilization of Large-scale Probabilistic Boolean Networks},
author = {Sotiris Moschoyiannis and Evangelos Chatzaroulas and Vytenis Sliogeris and Yuhu Wu},
journal= {arXiv preprint arXiv:2210.12229},
year = {2022}
}