基于宏动作的深度强化学习
机器学习
2016-06-16 v1 人工智能
神经与进化计算
摘要
深度强化学习已被证明是一个强大的框架，可用于从复杂高维感官输入中学习策略，以执行复杂任务（如 Atari 领域）中的动作。本文中，我们探索以时间抽象形式进行的输出表示建模，以改善深度强化学习方法的收敛性和可靠性。我们聚焦于宏动作，并在不同的 Atari 2600 游戏上进行评估，结果表明它们能显著提升学习速度。此外，我们还证明它们甚至能取得比 DQN 更好的分数。我们对收敛性和最终结果进行了分析与解释，揭示了深度强化学习方法在处理稀疏奖励信号时面临的一个问题。
引用
@article{arxiv.1606.04615,
title = {Deep Reinforcement Learning With Macro-Actions},
author = {Ishan P. Durugkar and Clemens Rosenbaum and Stefan Dernbach and Sridhar Mahadevan},
journal= {arXiv preprint arXiv:1606.04615},
year = {2016}
}