重访Rainbow：促进更具洞察力与包容性的深度强化学习研究
机器学习
2021-05-25 v2 人工智能
摘要
自DQN提出以来，大量强化学习研究聚焦于以深度神经网络作为函数逼近器的强化学习。新方法通常在现已标准化的一组环境上评估，例如Atari 2600游戏。尽管这些基准有助于标准化评估，其计算成本却不幸拉大了拥有充足计算资源者与缺乏者之间的差距。在本文中我们主张，尽管社区强调大规模环境，传统小规模环境仍可产生有价值的科学洞察，并有助于降低弱势群体的入门壁垒。为佐证我们的观点，我们从经验上重访了引入Rainbow算法[Hessel et al., 2018]的论文，并给出了关于Rainbow所使用算法的一些新见解。
引用
@article{arxiv.2011.14826,
title = {Revisiting Rainbow: Promoting more Insightful and Inclusive Deep Reinforcement Learning Research},
author = {Johan S. Obando-Ceron and Pablo Samuel Castro},
journal= {arXiv preprint arXiv:2011.14826},
year = {2021}
}
备注
Proceedings of the 38th International Conference on Machine Learning (ICML 2021)