深度目标推理的分层强化学习：表达能力分析
人工智能
2020-06-23 v1
摘要
分层DQN（h-DQN）是一种前馈神经网络的两层架构，其中元层选择目标，低层采取行动以实现目标。我们展示了h-DQN无法解决的任务，举例说明了这类分层框架（HF）的局限性。我们描述了递归分层框架（RHF），它推广了在元层使用递归神经网络的架构。我们使用上下文相关文法分析了HF和RHF的表达能力。我们证明RHF比HF更具表达能力。我们进行了实验，将RHF的实现与两个HF基线进行比较；结果证实了我们的理论发现。
引用
@article{arxiv.2006.11704,
title = {Hierarchical Reinforcement Learning for Deep Goal Reasoning: An Expressiveness Analysis},
author = {Weihang Yuan and Héctor Muñoz-Avila},
journal= {arXiv preprint arXiv:2006.11704},
year = {2020}
}