Uczenie ze wzmocnieniem z samonadzorem
Uczenie ze wzmocnieniem z samonadzorem (SSL-RL) uzupełnia standardowe trenowanie RL o pomocnicze cele samonadzorowane — takie jak zadania oparte na kontrastowości, predykcji lub augmentacji danych — stosowane do własnego doświadczenia agenta. Cele te poprawiają jakość nauczonych reprezentacji bez potrzeby dodatkowych ludzkich etykiet, umożliwiając szybszą zbieżność i lepszą efektywność próbkowania, zwłaszcza w przestrzeniach obserwacji o wysokiej wymiarowości, takich jak surowe piksele.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Self-supervised Reinforcement Learning (SSL-augmented RL). ScholarGate. https://scholargate.app/pl/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.
- Uczenie ze wzmocnieniemUczenie głębokie↔ compare
- Samo-nadzorowana konwolucyjna sieć neuronowaUczenie głębokie↔ compare
- Wzmocnione uczenie ze sprzężeniem zwrotnym z częściowym nadzoremUczenie głębokie↔ compare
- Uczenie transferowe z uczeniem przez wzmacnianieUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →