Învățare prin consolidare semi-supervizată
Învățarea prin consolidare semi-supervizată (SSRL) combină învățarea prin consolidare standard — unde un agent învață din semnale de recompensă rare — cu tehnici semi-supervizate care extrag structură din interacțiuni neetichetate cu mediul. Scopul este de a îmbunătăți eficiența eșantionării și generalizarea atunci când feedback-ul de recompensă este costisitor, întârziat sau disponibil doar pentru o fracțiune din experiența agentului.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Semi-supervised Reinforcement Learning (SSRL). ScholarGate. https://scholargate.app/ro/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.
- Învățare prin Recompensă Adaptivă la DomeniuÎnvățare profundă↔ compare
- Învățare prin consolidareÎnvățare profundă↔ compare
- Învățare prin consolidare auto-supervizatăÎnvățare profundă↔ compare
- Transformer semi-supervizatÎnvățare profundă↔ compare
- Învățarea prin Transfer cu Învățare prin ConsolidareÎnvățare profundă↔ compare
- Învățare prin consolidare slab supervizatăÎnvățare profundă↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →