Overføringslæring med forsterkningslæring
Overføringslæring med forsterkningslæring (Transfer RL) er et treningsparadigme der kunnskap ervervet av en agent i én eller flere kildeprosjekter – kodet som policyvekter, verdifunksjoner eller lærte representasjoner – gjenbrukes for å akselerere eller forbedre læring i et relatert, men forskjellig målkprosjekt. Det adresserer direkte utfordringen med lite datagrunnlag (sample-inefficiency) som preger forsterkningslæring fra bunnen av i komplekse eller kostbare omgivelser.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Transfer Learning Applied to Reinforcement Learning. ScholarGate. https://scholargate.app/no/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.
- Domene-adaptiv forsterkningslæringDyp læring↔ compare
- Finjustert forsterkningslæringDyp læring↔ compare
- ForsterkningslæringDyp læring↔ compare
- Overføringslæring med konvolusjonelt nevralt nettverkDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →