Transfer Learning med Reinforcement Learning
Transfer Learning med Reinforcement Learning (Transfer RL) er et træningsparadigme, hvor viden, der er erhvervet af en agent i én eller flere kildetopgaver – kodet som policy-vægte, værdifunktioner eller lærte repræsentationer – genbruges til at accelerere eller forbedre læring i en relateret, men forskellig måltopgave. Det adresserer direkte den sample-ineffektivitet, der plager reinforcement learning fra bunden i komplekse eller dyre miljøer.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Taylor, M. E., & Stone, P. (2009). Transfer Learning for Reinforcement Learning Domains: A Survey. Journal of Machine Learning Research, 10, 1633–1685. link ↗
- Lazaric, A. (2012). Transfer in Reinforcement Learning: A Framework and a Survey. In M. Wiering & M. van Otterlo (Eds.), Reinforcement Learning: State-of-the-Art (pp. 143–173). Springer. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Transfer Learning Applied to Reinforcement Learning. ScholarGate. https://scholargate.app/da/deep-learning/transfer-learning-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.
- Domæne-adaptiv forstærkningslæringDyb læring↔ compare
- Finjusteret forstærkningslæringDyb læring↔ compare
- ForstærkningslæringDyb læring↔ compare
- Transferlæring med konvolutionelle neurale netværkDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →