Apprendimento per Rinforzo Semi-Supervisionato
L'apprendimento per rinforzo semi-supervisionato (SSRL) combina l'apprendimento per rinforzo standard — dove un agente impara da segnali di ricompensa sparsi — con tecniche semi-supervisionate che estraggono struttura dalle interazioni ambientali non etichettate. L'obiettivo è migliorare l'efficienza dei campioni e la generalizzazione quando il feedback di ricompensa è costoso, ritardato o disponibile solo per una frazione dell'esperienza dell'agente.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- Zhan, X., Zhu, X., & Shi, H. (2022). Deepthermal: Combustion optimization for thermal power generating units using offline reinforcement learning. Proceedings of the AAAI Conference on Artificial Intelligence, 36(4), 4680–4688. link ↗
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Semi-supervised Reinforcement Learning (SSRL). ScholarGate. https://scholargate.app/it/deep-learning/semi-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.
- Apprendimento per Rinforzo Adattivo al DominioApprendimento profondo↔ compare
- Apprendimento per rinforzoApprendimento profondo↔ compare
- Apprendimento per Rinforzo Auto-supervisionatoApprendimento profondo↔ compare
- Transformer semi-supervisionatoApprendimento profondo↔ compare
- Apprendimento per Trasferimento con Apprendimento per RinforzoApprendimento profondo↔ compare
- Apprendimento per Rinforzo Debolmente SupervisionatoApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →