Apprentissage par renforcement faiblement supervisé
L'apprentissage par renforcement faiblement supervisé (WSRL) entraîne des agents dans des environnements où le signal de récompense est imparfait, épars, retardé ou seulement partiellement informatif — contrairement au RL dense entièrement supervisé. L'agent doit apprendre des politiques efficaces malgré un retour d'information incomplet, en utilisant des signaux auxiliaires, la modélisation de la récompense ou l'apprentissage des préférences pour compenser la faible supervision.
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
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Weakly Supervised Reinforcement Learning. ScholarGate. https://scholargate.app/fr/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.
- Apprentissage par renforcementApprentissage profond↔ compare
- Apprentissage par renforcement auto-superviséApprentissage profond↔ compare
- Apprentissage par renforcement semi-superviséApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →