Heikosti valvottu vahvistusoppiminen
Heikosti ohjattu vahvistusoppiminen (WSRL) kouluttaa agentteja ympäristöissä, joissa palkkiosignaali on epätäydellinen, harva, viivästynyt tai vain osittain informatiivinen – toisin kuin tiheästi täysin ohjattu RL. Agentin on opittava tehokkaita politiikkoja epätäydellisestä palautteesta huolimatta käyttämällä apusignaaleja, palkkiomallinnusta tai preferenssioppimista heikon ohjauksen kompensoimiseksi.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Weakly Supervised Reinforcement Learning. ScholarGate. https://scholargate.app/fi/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.
- VahvistusoppiminenSyväoppiminen↔ compare
- Itseohjautuva vahvistusoppiminenSyväoppiminen↔ compare
- Puolivalvottu vahvistusoppiminenSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →