Unicorn：基于通用离策略智能体的持续学习
机器学习
2018-07-04 v2
摘要
某些真实世界领域最好被刻画为单一任务，但对其他领域而言这种视角具有局限性。相反，某些任务的复杂性随智能体能力的提升而持续增长。在持续学习（亦称终身学习中），不存在显式的任务边界或课程。尽管学习智能体已愈发强大，持续学习仍是阻碍快速进展的前沿之一。为检验持续学习能力，我们考虑了一个具有隐式任务序列与稀疏奖励的极具挑战性的 3D 领域。我们提出了一种名为 Unicorn 的新型智能体架构，其在所提领域展现出强大的持续学习能力，并优于若干基线智能体。该智能体通过并行离策略学习设置，高效联合表示与学习多种策略，从而实现上述表现。
引用
@article{arxiv.1802.08294,
title = {Unicorn: Continual Learning with a Universal, Off-policy Agent},
author = {Daniel J. Mankowitz and Augustin Žídek and André Barreto and Dan Horgan and Matteo Hessel and John Quan and Junhyuk Oh and Hado van Hasselt and David Silver and Tom Schaul},
journal= {arXiv preprint arXiv:1802.08294},
year = {2018}
}