面向 Atari 游戏的深度循环双重 Q 学习
机器学习
2019-10-21 v2 人工智能
神经与进化计算
机器学习
摘要
当前，机器学习中的许多应用基于定义新模型以从数据中提取更多信息；在此情形下，以 Atari、Mario 等视频游戏为最常见应用的深度强化学习，对计算机如何仅凭称为奖励的来自任意动作的信息自我学习产生了影响。已有大量基于 DeepMind 提出、用于 AlphaZero 和 Go 的深度循环 Q 学习（Deep Recurrent Q-Learning）建模与实现的算法。在本文中，我们提出深度循环双重 Q 学习（Deep Recurrent Double Q-Learning），这是一种使用双重 Q 学习（Double Q-Learning）算法与 LSTM、DRQN 等循环网络的深度强化学习实现。
引用
@article{arxiv.1908.06040,
title = {Performing Deep Recurrent Double Q-Learning for Atari Games},
author = {Felipe Moreno-Vera},
journal= {arXiv preprint arXiv:1908.06040},
year = {2019}
}
备注
Accepted paper on LatinXinAI Workshop co-located with the International Conference on Machine Learning (ICML) 2019