利用后继特征进行多任务迁移的任务重标注
人工智能
2022-05-23 v1 机器学习
摘要
深度强化学习近期在复杂领域取得了很大成功。多数工作关注学习解决目标任务的单一策略，但该策略是固定的，即若环境变化，智能体无法适应。后继特征（SFs）提出了一种机制，允许学习与任何特定奖励函数无关的策略。本工作中，我们研究如何在自定义环境（具有资源收集、陷阱和合成功能）中无需观测任何奖励而预训练 SFs。预训练后，我们将 SF 智能体暴露于各种目标任务，观察其向新任务的迁移能力。迁移过程不对 SF 智能体作进一步训练，仅通过提供任务向量完成。为训练 SFs，我们提出一种任务重标注方法，大幅提升了智能体性能。
引用
@article{arxiv.2205.10175,
title = {Task Relabelling for Multi-task Transfer using Successor Features},
author = {Martin Balla and Diego Perez-Liebana},
journal= {arXiv preprint arXiv:2205.10175},
year = {2022}
}
备注
accepted for publication in IEEE Conference on Games (CoG) 2022