Обучение с подкреплением с частичным привлечением учителя
Обучение с подкреплением с частичным привлечением учителя (SSRL) сочетает стандартное обучение с подкреплением, где агент учится на разреженных сигналах вознаграждения, с методами частичного привлечения учителя, которые извлекают структуру из неразмеченных взаимодействий со средой. Цель состоит в повышении эффективности использования выборки и обобщающей способности, когда обратная связь по вознаграждению является дорогостоящей, отложенной или доступна только для части опыта агента.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Semi-supervised Reinforcement Learning (SSRL). ScholarGate. https://scholargate.app/ru/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.
- Адаптивное обучение с подкреплением в условиях смены доменаГлубокое обучение↔ compare
- Обучение с подкреплениемГлубокое обучение↔ compare
- Самообучающееся обучение с подкреплениемГлубокое обучение↔ compare
- Трансформер с полуавтоматическим обучениемГлубокое обучение↔ compare
- Обучение с переносом и обучение с подкреплениемГлубокое обучение↔ compare
- Слабо контролируемое обучение с подкреплениемГлубокое обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →