Aprendizado por Reforço Fracamente Supervisionado
O aprendizado por reforço fracamente supervisionado (WSRL) treina agentes em ambientes onde o sinal de recompensa é imperfeito, esparso, atrasado ou apenas parcialmente informativo — ao contrário do RL denso totalmente supervisionado. O agente deve aprender políticas eficazes apesar do feedback incompleto, usando sinais auxiliares, modelagem de recompensa ou aprendizado de preferência para compensar a supervisão fraca.
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
- Sutton, R. S. & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press. ISBN: 978-0-262-03924-6
- Christiano, P., Leike, J., Brown, T. B., Martic, M., Legg, S. & Amodei, D. (2017). Deep reinforcement learning from human preferences. Advances in Neural Information Processing Systems (NeurIPS), 30. link ↗
Como citar esta página
ScholarGate. (2026, June 3). Weakly Supervised Reinforcement Learning. ScholarGate. https://scholargate.app/pt/deep-learning/weakly-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
- Aprendizagem por Reforço AutossupervisionadaAprendizado profundo↔ compare
- Aprendizado por Reforço Semi-supervisionadoAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →