Scalable transfer learning in heterogeneous, dynamic environments

یادگیری تقویت یک مبنای نظری قابل اعتماد برای توسعه خودآموزی، عوامل مستقل یا روبات هایی است که می توانند به طور موثر نمایانگر دینامیک جهان باشند و به طور موثر ویژگی های مشکل را برای انجام وظایف مختلف در محیط های مختلف یاد بگیرند. با این حال، هزینه های محاسباتی و پیچیدگی ها اغلب برای برنامه های کاربردی در دنیای واقعی غلبه می کنند. این مطالعه یک روش مقیاس پذیر برای یادگیری و انتقال دانش از مدل های انتقال (و پاداش) برای یادگیری تقویت مبتنی بر مدل در یک جهان پیچیده معرفی می کند. ما یک فرمول تصمیم گیری از فرایندهای تصمیم گیری مارکوف را پیشنهاد می کنیم که از آموزش کارآمد آنلاین از ویژگی های مربوط به مشکل برای تقریب دینامیک جهان پشتیبانی می کند. ما تکنیک های تقریبی جدید انتخاب و پویایی را در یادگیری انتقال ناهمگن اعمال می کنیم، جایی که عامل به طور خودکار چندین نمایندگی از جهان را برای مقابله با محیط های مختلفی که در طول عمر خود با آن روبرو هستند، حفظ و سازگار می کند. معیارهای پشیمانی را برای رویکرد ما ثابت می کنیم و تجربی نشان می دهد که توانایی آن در سرعت همگرایی به یک سیاست نزدیک به مطلوب در محیط های واقعی و شبیه سازی شده است.