评估深度强化学习在现实世界中的进展：领域无关与领域特定研究的对齐
机器学习
2021-07-08 v1 人工智能
摘要
深度强化学习（DRL）被视为改进许多现实世界自主系统的潜在框架；它已吸引多个不同领域的关注。然而，在现实世界中的成功部署仍是大多数 DRL 模型尚待通过的考验。在本文中，我们聚焦于该问题，通过回顾与评估来自领域无关与领域特定共同体的研究努力。一方面，我们提供 DRL 挑战的全面总结并归纳缓解它们的不同提议；这有助于识别领域无关研究的五个鸿沟。另一方面，从领域特定视角，我们讨论不同的成功案例并论证为何其他模型可能未能部署。最后，我们考量兼顾两种视角的前进路径。
引用
@article{arxiv.2107.03015,
title = {Evaluating the progress of Deep Reinforcement Learning in the real world: aligning domain-agnostic and domain-specific research},
author = {Juan Jose Garau-Luis and Edward Crawley and Bruce Cameron},
journal= {arXiv preprint arXiv:2107.03015},
year = {2021}
}