Aprendizagem por Reforço Autossupervisionada
A Aprendizagem por Reforço Autossupervisionada (SSL-RL) aumenta o treinamento padrão de RL com objetivos auxiliares autossupervisionados — como tarefas contrastivas, preditivas ou baseadas em aumento de dados — aplicados à própria experiência do agente. Esses objetivos melhoram a qualidade das representações aprendidas sem exigir rótulos humanos extras, permitindo convergência mais rápida e melhor eficiência de amostra, especialmente em espaços de observação de alta dimensão, como pixels brutos.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Self-supervised Reinforcement Learning (SSL-augmented RL). ScholarGate. https://scholargate.app/pt/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.
- Aprendizagem por ReforçoAprendizado profundo↔ compare
- Rede neural convolucional autossupervisionadaAprendizado profundo↔ compare
- Aprendizado por Reforço Semi-supervisionadoAprendizado profundo↔ compare
- Transfer Learning com Aprendizado por ReforçoAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →