.png){kind=icon}
返回
A Tutorial on Meta-Reinforcement Learning
.png){kind=icon}
PRE
AI
DOI：10.1561/2200000080.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
虽然深度强化学习（RL）在机器学习领域取得了多项备受瞩目的成功，但其低效的数据利用率和所生成策略的有限泛化能力限制了其更广泛的应用。缓解这些限制的一个有前景的方法是将开发更好的RL算法本身视为一个机器学习问题，这一过程被称为元强化学习（meta-RL）。元强化学习最常被研究在这样一种问题设定中：给定一个任务分布，目标是学习一个能够以最少数据适应任务分布中任何新任务的策略。在本综述中，我们详细描述了元强化学习的问题设定及其主要变体。我们讨论了从高层次来看，元强化学习研究可以根据任务分布的存在以及每个任务可用的学习预算进行聚类。利用这些聚类，我们随后回顾了元强化学习算法和应用。最后，我们提出了在将元强化学习纳入深度强化学习从业者标准工具箱的过程中仍需解决的开阔问题。
Keyword:
MODEL
ALGORITHMS
