用于在线强化学习的Kolmogorov-Arnold网络
机器学习
2024-09-04 v3 人工智能
摘要
Kolmogorov-Arnold网络（KANs）已展现出作为神经网络中多层感知器（MLPs）替代方案的潜力，以更少的参数和降低的内存消耗提供通用函数逼近。在本文中，我们探索了将KANs用作近端策略优化（PPO）算法中的函数逼近器。我们通过在DeepMind Control本体机器人基准测试上将其性能与原始基于MLP的PPO进行比较来评估该方法。我们的结果表明，基于KAN的强化学习算法可以达到与其基于MLP的对应方法相当的性能，通常参数更少。这些发现表明KANs可能为强化学习模型提供更高效的选择。
引用
@article{arxiv.2408.04841,
title = {Kolmogorov-Arnold Network for Online Reinforcement Learning},
author = {Victor Augusto Kich and Jair Augusto Bottega and Raul Steinmetz and Ricardo Bedin Grando and Ayano Yorozu and Akihisa Ohya},
journal= {arXiv preprint arXiv:2408.04841},
year = {2024}
}
备注
Paper accepted at 24th International Conference on Control, Automation and Systems (ICCAS)