基于贝叶斯模型选择的值函数近似特征选择
人工智能
2012-02-01 v1 机器学习
摘要
强化学习（RL）中的特征选择，即选择基函数以获得未知值函数的有用近似，是将 RL 扩展至现实世界应用的主要挑战之一。本文考虑了基于高斯过程的近似策略评估框架 GPTD，并提出通过优化相关超参数的边缘似然来进行特征选择。我们的方法具有两个显著优势：(1) 仅给定样本转移，即可全自动解决策略评估问题（无需观察学习任务，且理论上独立于状态空间的维数）；(2) 模型选择允许我们考虑更复杂的核函数，进而能够识别相关子空间并消除无关的状态变量，从而实现显著的计算节省并提高预测性能。
引用
@article{arxiv.1201.6615,
title = {Feature Selection for Value Function Approximation Using Bayesian Model Selection},
author = {Tobias Jung and Peter Stone},
journal= {arXiv preprint arXiv:1201.6615},
year = {2012}
}
备注
European Conference on Machine Learning (ECML'09)