Semi-övervakad förstärkningsinlärning
Semi-övervakad förstärkningsinlärning (SSRL) kombinerar standard förstärkningsinlärning — där en agent lär sig från sparsamma belöningssignaler — med semi-övervakade tekniker som extraherar struktur från omärkta miljöinteraktioner. Målet är att förbättra sampleffektivitet och generalisering när belöningsåterkoppling är kostsam, fördröjd eller endast tillgänglig för en bråkdel av agentens erfarenhet.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Semi-supervised Reinforcement Learning (SSRL). ScholarGate. https://scholargate.app/sv/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.
- Domänadaptiv förstärkningsinlärningDjupinlärning↔ compare
- FörstärkningsinlärningDjupinlärning↔ compare
- Självövervakad förstärkningsinlärningDjupinlärning↔ compare
- Semi-supervised TransformerDjupinlärning↔ compare
- Transfer Learning med Reinforcement LearningDjupinlärning↔ compare
- Svagt övervakad förstärkningsinlärningDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →