图上的表示学习：一种强化学习应用
机器学习
2019-01-18 v2 机器学习
摘要
在这项工作中，我们通过广义版本的表示策略迭代（RPI）研究具有高维状态或动作空间的强化学习（RL）问题中的值函数逼近。我们考虑了原型值函数（PVFs）在低维下精确逼近值函数的局限性，并强调了特征学习对于改进低维值函数逼近的重要性。随后，我们采用不同的图上表示学习算法来学习最能代表值函数的基函数。我们通过实验表明，node2vec（一种用于网络中可扩展特征学习的算法）和变分图自编码器（Variational Graph Auto-Encoder）在低维特征空间中持续优于常用的平滑原型值函数。
引用
@article{arxiv.1901.05351,
title = {Representation Learning on Graphs: A Reinforcement Learning Application},
author = {Sephora Madjiheurem and Laura Toni},
journal= {arXiv preprint arXiv:1901.05351},
year = {2019}
}