论探索对于现实学习型算法的重要性
机器学习
2023-04-24 v1 网络与互联网体系结构
系统与控制
系统与控制
摘要
数据驱动学习算法的质量在很大程度上随可用数据的质量而提升。生成良好数据最直接的方式之一是对数据源进行智能采样或探索。智能采样能够降低获取样本的成本、减少学习中的计算开销，并使学习算法能够适应不可预见的事件。在本文中，我们训练了三个具有不同探索策略的深度Q网络（DQN）来解决为URLLC消息打孔中断正在进行的传输的问题。我们展示了两种自适应探索候选方案（基于方差和基于最大熵的探索）相较于标准、简单的epsilon-greedy探索方法的效率。
引用
@article{arxiv.2304.10860,
title = {On the Importance of Exploration for Real Life Learned Algorithms},
author = {Steffen Gracla and Carsten Bockelmann and Armin Dekorsy},
journal= {arXiv preprint arXiv:2304.10860},
year = {2023}
}