Reinforcement Learning so Samoučením
Reinforcement Learning so samoučením (SSL-RL) rozširuje štandardný tréning RL o samoučiace pomocné ciele — ako sú kontrastné, prediktívne alebo na dátovej augmentácii založené úlohy — aplikované na vlastnú skúsenosť agenta. Tieto ciele zlepšujú kvalitu naučených reprezentácií bez potreby dodatočných ľudských anotácií, čo umožňuje rýchlejšiu konvergenciu a lepšiu efektivitu vzorkovania, najmä vo vysokorozmerných priestoroch pozorovania, ako sú surové pixely.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Self-supervised Reinforcement Learning (SSL-augmented RL). ScholarGate. https://scholargate.app/sk/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.
- Reinforcement LearningHlboké učenie↔ compare
- Konvolučná neuronová sieť so samoučiacim sa dohľadomHlboké učenie↔ compare
- Polosupervizované posilňovanie učeniaHlboké učenie↔ compare
- Prenosové učenie s posilňovaným učenímHlboké učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →