Pembelajaran Pemindahan dengan Pembelajaran Pengukuhan
Pembelajaran Pemindahan dengan Pembelajaran Pengukuhan (Transfer RL) ialah paradigma latihan di mana pengetahuan yang diperoleh oleh agen dalam satu atau lebih tugasan sumber — dikodkan sebagai berat dasar, fungsi nilai, atau perwakilan yang dipelajari — digunakan semula untuk mempercepat atau meningkatkan pembelajaran dalam tugasan sasaran yang berkaitan tetapi berbeza. Ia secara langsung menangani ketidakcekapan sampel yang menghantui pembelajaran pengukuhan dari awal dalam persekitaran yang kompleks atau mahal.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Transfer Learning Applied to Reinforcement Learning. ScholarGate. https://scholargate.app/ms/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.
- Pembelajaran Penguatan Adaptif DomainPembelajaran Mendalam↔ compare
- Pembelajaran Penguatan yang Ditala HalusPembelajaran Mendalam↔ compare
- Pembelajaran PengukuhanPembelajaran Mendalam↔ compare
- Pembelajaran Pindahan dengan Rangkaian Neural KonvolusiPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →