Polunadzirano učenje potkrepljivanjem
Polunadzirano učenje potkrepljivanjem (SSRL) kombinuje standardno učenje potkrepljivanjem — gde agent uči iz retkih signala nagrade — sa polunadziranim tehnikama koje izvlače strukturu iz neoznačenih interakcija sa okruženjem. Cilj je poboljšati efikasnost uzorkovanja i generalizaciju kada je povratna informacija o nagradi skupa, odložena ili dostupna samo za deo iskustva agenta.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Semi-supervised Reinforcement Learning (SSRL). ScholarGate. https://scholargate.app/sr/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.
- Domenski adaptivno učenje potkrepljivanjemDuboko učenje↔ compare
- Učenje pojačavanjemDuboko učenje↔ compare
- Samostalno nadgledano pojačano učenjeDuboko učenje↔ compare
- Полу-надгледани ТрансформерDuboko učenje↔ compare
- Transfer Learning with Reinforcement LearningDuboko učenje↔ compare
- Slabo nadgledano učenje potkrepljenjemDuboko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →