扩展动作空间
机器学习
2019-07-01 v1 人工智能
机器学习
摘要
在复杂任务中,例如那些具有大型组合动作空间的任务,随机探索可能效率过低而难以取得有意义的学习进展。在这项工作中,我们使用逐步扩展动作空间的课程来加速学习。我们假设环境不受我们控制,但智能体可通过初始限制其动作空间来设定内部课程。我们的方法使用离策略强化学习同时估计多个动作空间的最优值函数,并高效地将数据、价值估计和状态表示从受限动作空间迁移到完整任务。我们在概念验证控制任务以及具有大型多智能体动作空间的极具挑战性的大规模 StarCraft 微操任务上展示了我们方法的有效性。
引用
@article{arxiv.1906.12266,
title = {Growing Action Spaces},
author = {Gregory Farquhar and Laura Gustafson and Zeming Lin and Shimon Whiteson and Nicolas Usunier and Gabriel Synnaeve},
journal= {arXiv preprint arXiv:1906.12266},
year = {2019}
}