基于 Catalyst.RL 的样本高效集成学习
机器学习
2020-04-09 v2 人工智能
机器学习
摘要
我们提出 Catalyst.RL，一个用于可复现且样本高效的强化学习（RL）研究的开源 PyTorch 框架。Catalyst.RL 的主要特性包括大规模异步分布式训练、各种 RL 算法及辅助技巧的高效实现，如 n 步回报、价值分布、双曲强化学习等。为展示 Catalyst.RL 的有效性，我们将其应用于基于物理的强化学习挑战赛“NeurIPS 2019: Learn to Move -- Walk Around”，目标是为人肌肉骨骼模型构建运动控制器。该环境计算代价高、具有高维连续动作空间且为随机的。我们的团队获得第二名，得益于 Catalyst.RL 能够在仅几小时训练时间内训练出高质量且样本高效的 RL 智能体。实现与实验均已开源，因此结果可被复现并尝试新想法。
引用
@article{arxiv.2003.14210,
title = {Sample Efficient Ensemble Learning with Catalyst.RL},
author = {Sergey Kolesnikov and Valentin Khrulkov},
journal= {arXiv preprint arXiv:2003.14210},
year = {2020}
}
备注
arXiv admin note: substantial text overlap with arXiv:1903.00027