Samonadzorirano pojačano učenje
Samonadzorirano pojačano učenje (SSL-RL) nadopunjuje standardno treniranje pojačanog učenja (RL) sa samonadzoriranim pomoćnim ciljevima — kao što su kontrastni, prediktivni ili zadaci temeljeni na proširenju podataka — primijenjenima na vlastito iskustvo agenta. Ti ciljevi poboljšavaju kvalitetu naučenih reprezentacija bez potrebe za dodatnim ljudskim oznakama, omogućujući bržu konvergenciju i bolju učinkovitost uzoraka, osobito u prostorima opažanja visoke dimenzionalnosti poput sirovih piksela.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Self-supervised Reinforcement Learning (SSL-augmented RL). ScholarGate. https://scholargate.app/hr/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.
- Potkrepljivačko učenjeDuboko učenje↔ compare
- Konvolucijska neuronska mreža sa samostalnim nadzoromDuboko učenje↔ compare
- Polu-nadgledano pojačavajuće učenjeDuboko učenje↔ compare
- Prenosno učenje s potkrepljenim učenjemDuboko učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →