会员服务
深度强化学习 (DRL) 是一种使用深度学习技术扩展传统强化学习方法的一种机器学习方法。 传统强化学习方法的主要任务是使得主体根据从环境中获得的奖赏能够学习到最大化奖赏的行为。然而，传统无模型强化学习方法需要使用函数逼近技术使得主体能够学习出值函数或者策略。在这种情况下，深度学习强大的函数逼近能力自然成为了替代人工指定特征的最好手段并为性能更好的端到端学习的实现提供了可能。
Efficient Camera Exposure Control for Visual Odometry via Deep Reinforcement Learning
Arxiv
1+阅读 · 2024年12月23日
APIRL: Deep Reinforcement Learning for REST API Fuzzing
Arxiv
1+阅读 · 2024年12月20日
Deep Reinforcement Learning Enhanced Rate-Splitting Multiple Access for Interference Mitigation
Arxiv
1+阅读 · 2024年12月19日
Spatio-Temporal SIR Model of Pandemic Spread During Warfare with Optimal Dual-use Healthcare System Administration using Deep Reinforcement Learning
Arxiv
1+阅读 · 2024年12月18日
Deep Reinforcement Learning for Multi-Truck Vehicle Routing Problems with Multi-Leg Demand Routes
Arxiv
1+阅读 · 2024年12月18日
Physics-model-guided Worst-case Sampling for Safe Reinforcement Learning
Arxiv
1+阅读 · 2024年12月17日
Personalized Federated Deep Reinforcement Learning for Heterogeneous Edge Content Caching Networks
Arxiv
1+阅读 · 2024年12月17日
Domain Adapting Deep Reinforcement Learning for Real-world Speech Emotion Recognition
Arxiv
1+阅读 · 2024年12月16日
Integrated Sensing and Communications for Low-Altitude Economy: A Deep Reinforcement Learning Approach
Integrated Sensing and Communications for Low-Altitude Economy: A Deep Reinforcement Learning Approach
Arxiv
1+阅读 · 2024年12月16日
A Novel Framework Using Deep Reinforcement Learning for Join Order Selection
Arxiv
1+阅读 · 2024年12月13日
Deep Reinforcement Learning for Bipedal Locomotion: A Brief Survey
Arxiv
1+阅读 · 2024年12月12日
Robust Deep Reinforcement Learning Through Adversarial Attacks and Training : A Survey
Arxiv
1+阅读 · 2024年12月11日
Learning Sketch Decompositions in Planning via Deep Reinforcement Learning
Arxiv
1+阅读 · 2024年12月11日
Vision-Based Deep Reinforcement Learning of UAV Autonomous Navigation Using Privileged Information
Arxiv
0+阅读 · 2024年12月9日
GRAM: Generalization in Deep RL with a Robust Adaptation Module
Arxiv
0+阅读 · 2024年12月5日
参考链接
父主题
强化学习
微信扫码咨询专知VIP会员
Top