Transfer Learning mit Reinforcement Learning
Transfer Learning mit Reinforcement Learning (Transfer RL) ist ein Trainingsparadigma, bei dem Wissen, das ein Agent in einer oder mehreren Quellaufgaben erworben hat – kodiert als Policy-Gewichte, Wertfunktionen oder gelernte Repräsentationen – wiederverwendet wird, um das Lernen in einer verwandten, aber anderen Zielaufgabe zu beschleunigen oder zu verbessern. Es adressiert direkt die Stichprobeneffizienz, die das Reinforcement Learning von Grund auf in komplexen oder teuren Umgebungen plagt.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Transfer Learning Applied to Reinforcement Learning. ScholarGate. https://scholargate.app/de/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.
- Domänenadaptives Reinforcement LearningDeep Learning↔ compare
- Fine-Tuned Reinforcement LearningDeep Learning↔ compare
- Reinforcement LearningDeep Learning↔ compare
- Transfer Learning mit Convolutional Neural NetworkDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →