Aprenentatge per Reforç Auto-supervisat
L'Aprenentatge per Reforç Auto-supervisat (SSL-RL) augmenta l'entrenament estàndard de RL amb objectius auxiliars auto-supervisats — com ara tasques contrastives, predictives o basades en augmentació de dades — aplicats a l'experiència pròpia de l'agent. Aquests objectius milloren la qualitat de les representacions apreses sense requerir etiquetes humanes addicionals, permetent una convergència més ràpida i una millor eficiència de mostres, especialment en espais d'observació d'alta dimensionalitat com ara píxels bruts.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Self-supervised Reinforcement Learning (SSL-augmented RL). ScholarGate. https://scholargate.app/ca/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.
- Aprenentatge per ReforçamentAprenentatge profund↔ compare
- Xarxa Convolucional Neuronal d'Auto-SupervisióAprenentatge profund↔ compare
- Aprenentatge per reforç semisupervisatAprenentatge profund↔ compare
- Aprenentatge per Transferència amb Aprenentatge per ReforçamentAprenentatge profund↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →