Slabo nadgledano učenje potkrepljenjem
Slabo nadgledano učenje potkrepljenjem (WSRL) obučava agente u okruženjima gde je signal nagrade nesavršen, redak, odložen ili samo delimično informativan — za razliku od gustog, potpuno nadgledanog učenja potkrepljenjem (RL). Agent mora naučiti efikasne politike uprkos nepotpunoj povratnoj informaciji, koristeći pomoćne signale, modelovanje nagrade ili učenje preferencija kako bi nadoknadio slabo nadgledanje.
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
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Weakly Supervised Reinforcement Learning. ScholarGate. https://scholargate.app/sr/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.
- Učenje pojačavanjemDuboko učenje↔ compare
- Samostalno nadgledano pojačano učenjeDuboko učenje↔ compare
- Polunadzirano učenje potkrepljivanjemDuboko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →