Semi-supervidiertes Reinforcement Learning
Semi-supervidiertes Reinforcement Learning (SSRL) kombiniert Standard-Reinforcement-Learning – bei dem ein Agent aus spärlichen Belohnungssignalen lernt – mit semi-supervidierten Techniken, die Struktur aus unmarkierten Umgebungsinteraktionen extrahieren. Ziel ist es, die Stichprobeneffizienz und Generalisierung zu verbessern, wenn Belohnungsfeedback kostspielig, verzögert oder nur für einen Bruchteil der Erfahrung des Agenten verfügbar ist.
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
- Zhan, X., Zhu, X., & Shi, H. (2022). Deepthermal: Combustion optimization for thermal power generating units using offline reinforcement learning. Proceedings of the AAAI Conference on Artificial Intelligence, 36(4), 4680–4688. link ↗
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Semi-supervised Reinforcement Learning (SSRL). ScholarGate. https://scholargate.app/de/deep-learning/semi-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.
- Domänenadaptives Reinforcement LearningDeep Learning↔ compare
- Reinforcement LearningDeep Learning↔ compare
- Selbstüberwachtes bestärkendes LernenDeep Learning↔ compare
- Semisupervidierter TransformerDeep Learning↔ compare
- Transfer Learning mit Reinforcement LearningDeep Learning↔ compare
- Schwach überwachtes bestärkendes LernenDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →