Transfer Learning med Reinforcement Learning
Transfer Learning med Reinforcement Learning (Transfer RL) är ett träningsparadigm där kunskap som förvärvats av en agent i en eller flera källuppgifter – kodad som policyvikter, värdefunktioner eller inlärda representationer – återanvänds för att accelerera eller förbättra inlärning i en relaterad men annorlunda måluppgift. Det adresserar direkt den sampel-ineffektivitet som plågar reinforcement learning från grunden i komplexa eller kostsamma miljöer.
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
- Taylor, M. E., & Stone, P. (2009). Transfer Learning for Reinforcement Learning Domains: A Survey. Journal of Machine Learning Research, 10, 1633–1685. link ↗
- Lazaric, A. (2012). Transfer in Reinforcement Learning: A Framework and a Survey. In M. Wiering & M. van Otterlo (Eds.), Reinforcement Learning: State-of-the-Art (pp. 143–173). Springer. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Transfer Learning Applied to Reinforcement Learning. ScholarGate. https://scholargate.app/sv/deep-learning/transfer-learning-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
- Finjusterad förstärkningsinlärningDjupinlärning↔ compare
- FörstärkningsinlärningDjupinlärning↔ compare
- Överföringsinlärning med faltningsneurala nätverkDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →