Apprentissage par renforcement auto-supervisé
L'apprentissage par renforcement auto-supervisé (SSL-RL) augmente l'entraînement standard de l'apprentissage par renforcement (RL) avec des objectifs auxiliaires auto-supervisés — tels que des tâches contrastives, prédictives ou basées sur l'augmentation de données — appliqués à la propre expérience de l'agent. Ces objectifs améliorent la qualité des représentations apprises sans nécessiter d'étiquettes humaines supplémentaires, permettant une convergence plus rapide et une meilleure efficacité d'échantillonnage, en particulier dans les espaces d'observation de haute dimension comme les pixels bruts.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Self-supervised Reinforcement Learning (SSL-augmented RL). ScholarGate. https://scholargate.app/fr/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.
- Apprentissage par renforcementApprentissage profond↔ compare
- Réseau de neurones convolutif auto-superviséApprentissage profond↔ compare
- Apprentissage par renforcement semi-superviséApprentissage profond↔ compare
- Apprentissage par transfert avec apprentissage par renforcementApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →