用于高效强化学习的增强经验回放生成
人工智能
2017-05-30 v2
摘要
在真实系统上应用深度强化学习（RL）受困于数据采样缓慢。我们提出了一种增强生成对抗网络（EGAN）来初始化 RL 智能体，以实现更快的学习。EGAN 利用状态与动作之间的关系来提升 GAN 生成的数据样本质量。使用 EGAN 对智能体进行预训练表明，在学习初期，与无预训练相比，学习曲线更陡峭，训练时间提升了 20%；与使用 GAN 训练相比，提升了约 5% 且波动更小。对于数据采样稀疏且缓慢的实时系统，EGAN 可用于加速训练过程的早期阶段。
引用
@article{arxiv.1705.08245,
title = {Enhanced Experience Replay Generation for Efficient Reinforcement Learning},
author = {Vincent Huang and Tobias Ley and Martha Vlachou-Konchylaki and Wenfeng Hu},
journal= {arXiv preprint arXiv:1705.08245},
year = {2017}
}