强化学习(RL)是机器学习的一个领域,与软件代理应如何在环境中采取行动以最大化累积奖励的概念有关。除了监督学习和非监督学习外,强化学习是三种基本的机器学习范式之一。 强化学习与监督学习的不同之处在于,不需要呈现带标签的输入/输出对,也不需要显式纠正次优动作。相反,重点是在探索(未知领域)和利用(当前知识)之间找到平衡。 该环境通常以马尔可夫决策过程(MDP)的形式陈述,因为针对这种情况的许多强化学习算法都使用动态编程技术。经典动态规划方法和强化学习算法之间的主要区别在于,后者不假设MDP的确切数学模型,并且针对无法采用精确方法的大型MDP。
强化学习增强的大型语言模型:综述
专知会员服务
30+阅读 · 12月17日
【CMU博士论文】通过课程学习实现鲁棒的强化学习
无人智能集群系统决策与控制研究进展
专知会员服务
24+阅读 · 12月12日
【新书】《强化学习概述》手册,144页pdf
专知会员服务
52+阅读 · 12月10日
《战斗模拟中的强化学习》
专知会员服务
30+阅读 · 12月10日
Lilian Weng博客最新博客《强化学习Reward Hacking》
专知会员服务
26+阅读 · 12月2日
智能博弈对抗算法及其在情报领域中的应用*
专知会员服务
28+阅读 · 12月1日
深度强化学习中的可塑性损失:综述
专知会员服务
20+阅读 · 11月8日
《超视距空战机动强化学习方法》最新105页
专知会员服务
50+阅读 · 11月8日
微信扫码咨询专知VIP会员