Zelfgesuperviseerd Reinforcement Learning
Zelfgesuperviseerd Reinforcement Learning (SSL-RL) breidt standaard RL-training uit met zelfgesuperviseerde hulpdoelstellingen — zoals contrastieve, predictieve of op data-augmentatie gebaseerde taken — toegepast op de eigen ervaring van de agent. Deze doelstellingen verbeteren de kwaliteit van geleerde representaties zonder extra menselijke labels te vereisen, wat snellere convergentie en betere steekproefefficiëntie mogelijk maakt, vooral in hoogdimensionale observatieruimtes zoals ruwe pixels.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Self-supervised Reinforcement Learning (SSL-augmented RL). ScholarGate. https://scholargate.app/nl/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.
- Reinforcement LearningDeep learning↔ compare
- Zelf-gesuperviseerd convolutie neuraal netwerkDeep learning↔ compare
- Semi-gesuperviseerd Reinforcement LearningDeep learning↔ compare
- Transfer Learning met Reinforcement LearningDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →