Apprendimento per Rinforzo Debolmente Supervisionato
L'apprendimento per rinforzo debolmente supervisionato (WSRL) addestra agenti in ambienti in cui il segnale di ricompensa è imperfetto, sparso, ritardato o solo parzialmente informativo — a differenza del RL denso completamente supervisionato. L'agente deve apprendere politiche efficaci nonostante un feedback incompleto, utilizzando segnali ausiliari, modellazione della ricompensa o apprendimento delle preferenze per compensare la supervisione debole.
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
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Weakly Supervised Reinforcement Learning. ScholarGate. https://scholargate.app/it/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.
- Apprendimento per rinforzoApprendimento profondo↔ compare
- Apprendimento per Rinforzo Auto-supervisionatoApprendimento profondo↔ compare
- Apprendimento per Rinforzo Semi-SupervisionatoApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →