Multimodální zpatné učení
Multimodální zpětné učení (Multimodal Reinforcement Learning, MRL) trénuje agenty, aby prováděli sekvenční rozhodnutí vnímáním a integrací více vstupních modalit – jako jsou surové pixely, jazykové instrukce, zvuk a proprioceptivní senzory – současně. Místo toho, aby agent jednal na základě jediného datového proudu, fúzuje heterogenní signály do jednotné reprezentace stavu a učí se politiku prostřednictvím zpětné vazby z odměn v prostředí.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Multimodal Reinforcement Learning (Multi-Sensory RL Agent Learning). ScholarGate. https://scholargate.app/cs/deep-learning/multimodal-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.
- Multimodální grafová neuronová síťHluboké učení↔ compare
- Multimodální TransformerHluboké učení↔ compare
- Multimodální Vision TransformerHluboké učení↔ compare
- Zpětnovazební učeníHluboké učení↔ compare
- Samoučící se zpatňovací učeníHluboké učení↔ compare
- Přenosové učení s učením posilovánímHluboké učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →