数据增强下的统一状态表示学习
机器学习
2022-09-13 v1 人工智能
摘要
快速领域适应能力对于提升强化学习（RL）在现实问题中的适用性十分重要。RL 智能体的泛化能力对现实世界的成功至关重要，然而零样本策略迁移是一个具有挑战性的问题，因为即便是微小的视觉变化也可能使训练好的智能体在新任务中完全失败。我们提出 USRA：数据增强下的统一状态表示学习，一种通过对观测执行数据增强来学习潜在统一状态表示的表示学习框架，以提升其泛化到未见目标领域的能力。我们在 DeepMind 控制泛化基准的 Walker 环境中展示了我们方法的成功，并发现与最佳基线结果相比，USRA 实现了更高的样本效率以及 14.3% 更好的领域适应性能。
引用
@article{arxiv.2209.05302,
title = {Unified State Representation Learning under Data Augmentation},
author = {Taylor Hearn and Sravan Jayanthi and Sehoon Ha},
journal= {arXiv preprint arXiv:2209.05302},
year = {2022}
}
备注
5 pages, 3 figures, 1 table, Georgia Tech CS 8803: Deep Reinforcement Learning for Intelligent Control