多任务软选项学习
机器学习
2020-06-23 v3 机器学习
摘要
我们提出多任务软选项学习（Multitask Soft Option Learning，MSOL），一种基于规划即推断（Planning as Inference）的分层多任务框架。MSOL 扩展了选项的概念，对每个任务使用独立的变分后验，并由共享先验正则化。这种“软”版本的选项避免了多任务设定下训练中的若干不稳定性，并提供了一种自然的方式来同时学习选项内策略及其终止条件。此外，它允许针对新任务对选项进行微调而不遗忘已学习的策略，从而实现更快的训练且不降低分层策略的表达能力。我们通过实验证明，MSOL 显著优于分层和扁平的迁移学习基线。
引用
@article{arxiv.1904.01033,
title = {Multitask Soft Option Learning},
author = {Maximilian Igl and Andrew Gambardella and Jinke He and Nantas Nardelli and N. Siddharth and Wendelin Böhmer and Shimon Whiteson},
journal= {arXiv preprint arXiv:1904.01033},
year = {2020}
}
备注
Published at UAI 2020