Transfer Learning with Reinforcement Learning
Transfer Learning with Reinforcement Learning (Transfer RL) is a training paradigm in which knowledge acquired by an agent in one or more source tasks — encoded as policy weights, value functions, or learned representations — is reused to accelerate or improve learning in a related but different target task. It directly addresses the sample-inefficiency that plagues reinforcement learning from scratch in complex or expensive environments.
Källpost
Citat kopierade ordagrant från metodens källpost. Ingen verifiering på källnivå härleds från dem.
- Taylor, M. E., & Stone, P. (2009). Transfer Learning for Reinforcement Learning Domains: A Survey. Journal of Machine Learning Research, 10, 1633–1685. · URL
- 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. · URL
Kuraterade påståenden
Påståenden lagrade i bevisloggen, var och en med sin egen bedömning.
Denna vy hittar inte på en påståendebedömning när loggen saknar en.
Relaterade metoder
Genererade från metodgrafen och visade som maskinföreslagna relationer – inga bevispåståenden härleds.