基于 DAC-ML 的面向样本高效情景控制

人工智能中的样本低效问题指的是当前深度强化学习模型无法在少量回合内优化动作策略。近期研究试图通过添加记忆系统与架构偏置来提升学习速度以克服此限制，例如情景强化学习。然而，尽管取得了渐进式改进，其性能仍无法与人类学习行为策略的方式相比。本文利用心智与大脑的分布式自适应控制（DAC）理论的设计原则，构建了一种新颖的认知架构（DAC-ML），该架构通过融入受海马启发的序列记忆系统，能够在具有挑战性的觅食任务中快速收敛到最大化奖励获取的有效动作策略。