Aprendizado por Reforço Semi-supervisionado
O aprendizado por reforço semi-supervisionado (SSRL) combina o aprendizado por reforço padrão — onde um agente aprende a partir de sinais de recompensa esparsos — com técnicas semi-supervisionadas que extraem estrutura de interações de ambiente não rotuladas. O objetivo é melhorar a eficiência de amostra e a generalização quando o feedback de recompensa é custoso, atrasado ou disponível apenas para uma fração da experiência do agente.
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
- Zhan, X., Zhu, X., & Shi, H. (2022). Deepthermal: Combustion optimization for thermal power generating units using offline reinforcement learning. Proceedings of the AAAI Conference on Artificial Intelligence, 36(4), 4680–4688. link ↗
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Semi-supervised Reinforcement Learning (SSRL). ScholarGate. https://scholargate.app/pt/deep-learning/semi-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 Reforço Adaptativa a DomínioAprendizado profundo↔ compare
- Aprendizagem por ReforçoAprendizado profundo↔ compare
- Aprendizagem por Reforço AutossupervisionadaAprendizado profundo↔ compare
- Transformador SemissupervisionadoAprendizado profundo↔ compare
- Transfer Learning com Aprendizado por ReforçoAprendizado profundo↔ compare
- Aprendizado por Reforço Fracamente SupervisionadoAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →