Ενισχυτική Μάθηση με Αυτο-εποπτεία
Η Ενισχυτική Μάθηση με Αυτο-εποπτεία (SSL-RL) ενισχύει την τυπική εκπαίδευση Ενισχυτικής Μάθησης (RL) με βοηθητικούς αυτο-εποπτευόμενους στόχους — όπως εργασίες βασισμένες σε αντίθεση, πρόβλεψη ή επαύξηση δεδομένων — που εφαρμόζονται στην εμπειρία του ίδιου του πράκτορα. Αυτοί οι στόχοι βελτιώνουν την ποιότητα των μαθημένων αναπαραστάσεων χωρίς να απαιτούν επιπλέον ανθρώπινες ετικέτες, επιτρέποντας ταχύτερη σύγκλιση και καλύτερη αποδοτικότητα δειγμάτων, ειδικά σε χώρους παρατηρήσεων υψηλής διάστασης όπως ακατέργαστα εικονοστοιχεία.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Self-supervised Reinforcement Learning (SSL-augmented RL). ScholarGate. https://scholargate.app/el/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.
- Ενισχυτική ΜάθησηΒαθιά Μάθηση↔ compare
- Επιβλεπόμενο Συνελικτικό Νευρωνικό ΔίκτυοΒαθιά Μάθηση↔ compare
- Ημι-επιβλεπόμενη Ενισχυτική ΜάθησηΒαθιά Μάθηση↔ compare
- Εκμάθηση Μεταφοράς με Ενισχυτική ΜάθησηΒαθιά Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →