为知识迁移奠定分层强化学习模型的基础
机器学习
2014-12-22 v1 人工智能
机器人学
摘要
深度机器学习方法能够高效地重用低层表示以生成更抽象的高层表示。最初，深度学习被被动地应用（例如用于分类目的）。最近，它已被扩展到在强化学习（RL）框架内为自主智能体估计动作的价值。可以学习环境的显式模型来增强这种价值函数。尽管“扁平”的连接主义方法已被用于基于模型的RL，但迄今为止，只有无模型RL变体配备了深度学习方法。我们提出了一种深度基于模型的RL变体，它使智能体能够学习其环境的任意抽象分层表示。在本文中，我们展示了关于如何将这种分层表示建立在智能体与其环境之间的感觉运动交互基础上的研究。
引用
@article{arxiv.1412.6451,
title = {Grounding Hierarchical Reinforcement Learning Models for Knowledge Transfer},
author = {Mark Wernsdorfer and Ute Schmid},
journal= {arXiv preprint arXiv:1412.6451},
year = {2014}
}
备注
14 pages, 4 figures