Aprendizaje por Refuerzo Auto-supervisado
El Aprendizaje por Refuerzo Auto-supervisado (SSL-RL) aumenta el entrenamiento estándar del RL con objetivos auxiliares auto-supervisados —como tareas contrastivas, predictivas o basadas en aumento de datos— aplicados a la propia experiencia del agente. Estos objetivos mejoran la calidad de las representaciones aprendidas sin requerir etiquetas humanas adicionales, lo que permite una convergencia más rápida y una mejor eficiencia de la muestra, especialmente en espacios de observación de alta dimensión como los píxeles en bruto.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Self-supervised Reinforcement Learning (SSL-augmented RL). ScholarGate. https://scholargate.app/es/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.
- Aprendizaje por RefuerzoAprendizaje profundo↔ compare
- Red Neuronal Convolucional AutosupervisadaAprendizaje profundo↔ compare
- Aprendizaje por Refuerzo Semi-supervisadoAprendizaje profundo↔ compare
- Aprendizaje por Transferencia con Aprendizaje por RefuerzoAprendizaje profundo↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →