Selbstüberwachtes bestärkendes Lernen
Selbstüberwachtes bestärkendes Lernen (SSL-RL) erweitert das Standardtraining von RL um selbstüberwachte Hilfsziele – wie kontrastive, prädiktive oder datenaugmentationsbasierte Aufgaben –, die auf die eigene Erfahrung des Agenten angewendet werden. Diese Ziele verbessern die Qualität der gelernten Repräsentationen, ohne zusätzliche menschliche Labels zu benötigen, was eine schnellere Konvergenz und eine bessere Stichprobeneffizienz ermöglicht, insbesondere in hochdimensionalen Beobachtungsräumen wie Rohpixeln.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Self-supervised Reinforcement Learning (SSL-augmented RL). ScholarGate. https://scholargate.app/de/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.
- Reinforcement LearningDeep Learning↔ compare
- Selbstüberwachtes Convolutional Neural NetworkDeep Learning↔ compare
- Semi-supervidiertes Reinforcement LearningDeep Learning↔ compare
- Transfer Learning mit Reinforcement LearningDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →