Samoučící se zpatňovací učení
Samoučící se zpřažené učení (SSL-RL) rozšiřuje standardní trénink RL o pomocné samoučící se cíle – jako jsou kontrastivní, prediktivní nebo založené na rozšíření dat – aplikované na vlastní zkušenost agenta. Tyto cíle zlepšují kvalitu naučených reprezentací bez nutnosti dalších lidských anotací, což umožňuje rychlejší konvergenci a lepší efektivitu vzorků, zejména ve vysoce dimenzionálních pozorovacích prostorech, jako jsou surové pixely.
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
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Self-supervised Reinforcement Learning (SSL-augmented RL). ScholarGate. https://scholargate.app/cs/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.
- Zpětnovazební učeníHluboké učení↔ compare
- Konvoluční neuronová síť se samoučenímHluboké učení↔ compare
- Semi-supervised Reinforcement LearningHluboké učení↔ compare
- Přenosové učení s učením posilovánímHluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →