Apprendimento per Trasferimento con Apprendimento per Rinforzo
L'Apprendimento per Trasferimento con Apprendimento per Rinforzo (Transfer RL) è un paradigma di addestramento in cui la conoscenza acquisita da un agente in uno o più compiti sorgente — codificata come pesi della policy, funzioni di valore o rappresentazioni apprese — viene riutilizzata per accelerare o migliorare l'apprendimento in un compito target correlato ma diverso. Affronta direttamente l'inefficienza campionaria che affligge l'apprendimento per rinforzo da zero in ambienti complessi o costosi.
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
- Taylor, M. E., & Stone, P. (2009). Transfer Learning for Reinforcement Learning Domains: A Survey. Journal of Machine Learning Research, 10, 1633–1685. link ↗
- Lazaric, A. (2012). Transfer in Reinforcement Learning: A Framework and a Survey. In M. Wiering & M. van Otterlo (Eds.), Reinforcement Learning: State-of-the-Art (pp. 143–173). Springer. link ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Transfer Learning Applied to Reinforcement Learning. ScholarGate. https://scholargate.app/it/deep-learning/transfer-learning-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 Rinforzo Fine-TunedApprendimento profondo↔ compare
- Apprendimento per rinforzoApprendimento profondo↔ compare
- Transfer Learning con Convolutional Neural NetworkApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →