我们提出了一个由表示驱动的强化学习框架。通过将策略表示为它们预期值的估计，我们利用来自情境赌博机的技术来引导探索和利用。特别地，将策略网络嵌入到线性特征空间中，使我们能够将探索-利用问题重塑为表示-利用问题，其中良好的策略表示能够实现最优探索。我们通过将这个框架应用于进化和策略梯度方法来证明其有效性，这导致了与传统方法相比的显著性能提升。我们的框架为强化学习提供了新的视角，强调了策略表示在确定最优探索-利用策略中的重要性。
成为VIP会员查看完整内容
Representation-Driven Reinforcement Learning
相关内容
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。
Arxiv
0+阅读 · 2023年7月24日
相关VIP内容
相关资讯
相关论文
Arxiv
0+阅读 · 2023年7月24日
微信扫码咨询专知VIP会员