Reinforcement Learning Mandiri
Reinforcement Learning Mandiri (SSL-RL) memperkaya pelatihan RL standar dengan tujuan tambahan mandiri — seperti tugas berbasis kontrasif, prediktif, atau augmentasi data — yang diterapkan pada pengalaman agen itu sendiri. Tujuan ini meningkatkan kualitas representasi yang dipelajari tanpa memerlukan label manusia tambahan, memungkinkan konvergensi yang lebih cepat dan efisiensi sampel yang lebih baik, terutama dalam ruang observasi berdimensi tinggi seperti piksel mentah.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Self-supervised Reinforcement Learning (SSL-augmented RL). ScholarGate. https://scholargate.app/id/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.
- Pembelajaran PenguatanPembelajaran Mendalam↔ compare
- Jaringan Saraf Konvolusional SwadayaPembelajaran Mendalam↔ compare
- Reinforcement Learning Semi-TerawasiPembelajaran Mendalam↔ compare
- Pembelajaran Transfer dengan Pembelajaran PenguatanPembelajaran Mendalam↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →