Nõrgalt juhendatud tugevdamisõpe
Nõrgalt juhendatud tugevdamisõpe (WSRL) treenib agente keskkondades, kus tasusignaal on ebatäiuslik, harva esinev, hilinenud või ainult osaliselt informatiivne – erinevalt tihedast täielikult juhendatud RL-ist. Agent peab õppima tõhusaid poliitikaid puuduliku tagasiside kiuste, kasutades nõrga juhendamise kompenseerimiseks abisignaale, tasumodelleerimist või eelistusõpet.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- Sutton, R. S. & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press. ISBN: 978-0-262-03924-6
- Christiano, P., Leike, J., Brown, T. B., Martic, M., Legg, S. & Amodei, D. (2017). Deep reinforcement learning from human preferences. Advances in Neural Information Processing Systems (NeurIPS), 30. link ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Weakly Supervised Reinforcement Learning. ScholarGate. https://scholargate.app/et/deep-learning/weakly-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.
- TugevdamisõpeSüvaõpe↔ compare
- Eneseteadlik tugevdamisõpeSüvaõpe↔ compare
- Poolitud õppimisega tugevdamineSüvaõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →