دانلود مقاله انگلیسی رایگان:DECAF: استنتاج سیاست های مبتنی بر مورد عمیق برای انتقال دانش در یادگیری تقویتی - 2020
دانلود بهترین مقالات isi همراه با ترجمه فارسی
دانلود مقاله انگلیسی یادگیری تقویتی رایگان
  • DECAF: Deep Case-based Policy Inference for knowledge transfer in Reinforcement Learning DECAF: Deep Case-based Policy Inference for knowledge transfer in Reinforcement Learning
    DECAF: Deep Case-based Policy Inference for knowledge transfer in Reinforcement Learning

    سال انتشار:

    2020


    عنوان انگلیسی مقاله:

    DECAF: Deep Case-based Policy Inference for knowledge transfer in Reinforcement Learning


    ترجمه فارسی عنوان مقاله:

    DECAF: استنتاج سیاست های مبتنی بر مورد عمیق برای انتقال دانش در یادگیری تقویتی


    منبع:

    Sciencedirect - Elsevier - Expert Systems With Applications, 156 (2020) 113420. doi:10.1016/j.eswa.2020.113420


    نویسنده:

    Ruben Glatt a , ∗, Felipe Leno Da Silva a , Reinaldo Augusto da Costa Bianchi b , Anna Helena Reali Costa a


    چکیده انگلیسی:

    Having the ability to solve increasingly complex problems using Reinforcement Learning (RL) has prompted researchers to start developing a greater interest in systematic approaches to retain and reuse knowledge over a variety of tasks. With Case-based Reasoning (CBR) there exists a general methodology that provides a framework for knowledge transfer which has been underrepresented in the RL literature so far. We for- mulate a terminology for the CBR framework targeted towards RL researchers with the goal of facilitating communication between the respective research communities. Based on this framework, we propose the Deep Case-based Policy Inference (DECAF) algorithm to accelerate learning by building a library of cases and reusing them if they are similar to a new task when training a new policy. DECAF guides the train- ing by dynamically selecting and blending policies according to their usefulness for the current target task, reusing previously learned policies for a more effective exploration but still enabling the adaptation to particularities of the new task. We show an empirical evaluation in the Atari game playing domain depicting the benefits of our algorithm with regards to sample efficiency, robustness against negative transfer, and performance increase when compared to state-of-the-art methods.
    Keywords: Deep Reinforcement Learning | Case-based Reasoning | Transfer Learning | Knowledge discovery | Knowledge management | Neural networks


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 13
    حجم فایل: 1695 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi