用于分层强化学习中选项学习的双曲嵌入
机器学习
2019-02-19 v2 人工智能
机器学习
摘要
分层强化学习处理将大任务分解为有意义子任务的问题。这些子任务的自主发现一直是一个具有挑战性的问题。我们提出一种通过学习子任务的新方法,结合计算机网络中的路由范式和选项框架内基于图的技能发现来定义有意义的子目标。我们应用近期利用双曲空间中的黎曼优化学习嵌入的进展,将状态集嵌入双曲空间并创建环境模型。在此过程中,我们对状态施加全局拓扑,并能够利用该拓扑学习有意义的子任务。我们在离散和连续域中通过实验证明了这些嵌入如何改善有意义子任务的学习。
引用
@article{arxiv.1812.01487,
title = {Hyperbolic Embeddings for Learning Options in Hierarchical Reinforcement Learning},
author = {Saket Tiwari and M. Prannoy},
journal= {arXiv preprint arXiv:1812.01487},
year = {2019}
}
备注
We are redoing some of the experiments to obtain better results and to change the approach a bit