یادگیری تقویتی خودنظارتی
یادگیری تقویتی خودنظارتی (SSL-RL) آموزش استاندارد RL را با اهداف کمکی خودنظارتی - مانند وظایف مبتنی بر تقابل، پیشبینی، یا افزایش داده - که بر تجربه خود عامل اعمال میشوند، تقویت میکند. این اهداف کیفیت نمایشهای آموختهشده را بدون نیاز به برچسبهای اضافی انسانی بهبود میبخشند و منجر به همگرایی سریعتر و کارایی نمونه بهتر میشوند، بهویژه در فضاهای مشاهده با ابعاد بالا مانند پیکسلهای خام.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Self-supervised Reinforcement Learning (SSL-augmented RL). ScholarGate. https://scholargate.app/fa/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.
- یادگیری تقویتییادگیری عمیق↔ compare
- شبکه عصبی کانولوشنی خودنظارتییادگیری عمیق↔ compare
- یادگیری تقویتی نیمهنظارتشدهیادگیری عمیق↔ compare
- یادگیری انتقالی با یادگیری تقویتییادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →