Самообучаващо се подсилващо обучение
Самообучаващото се подсилващо обучение (SSL-RL) допълва стандартното обучение на RL с помощни самообучаващи се цели — като контрастни, предсказващи или базирани на увеличаване на данните задачи — приложени към собствения опит на агента. Тези цели подобряват качеството на научените представяния, без да изискват допълнителни човешки етикети, което позволява по-бързо сближаване и по-добра ефективност на извадката, особено при пространства с високо измерение на наблюденията като сурови пиксели.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Laskin, M., Srinivas, A., & Abbeel, P. (2020). CURL: Contrastive Unsupervised Representations for Reinforcement Learning. Proceedings of the 37th International Conference on Machine Learning (ICML), PMLR 119, 5639–5650. link ↗
- Laskin, M., Lee, K., Stooke, A., Pinto, L., Abbeel, P., & Srinivas, A. (2021). Reinforcement Learning with Augmented Data. Advances in Neural Information Processing Systems (NeurIPS), 33, 19884–19895. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Self-supervised Reinforcement Learning (SSL-augmented RL). ScholarGate. https://scholargate.app/bg/deep-learning/self-supervised-reinforcement-learning
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Обучение с подкреплениеДълбоко обучение↔ compare
- Самообучаваща се конволюционна невронна мрежаДълбоко обучение↔ compare
- Полу-наблюдавано обучение с подсилванеДълбоко обучение↔ compare
- Трансферно обучение с обучение с подсилванеДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →