.png){kind=icon}
返回
Human-inspired framework to accelerate reinforcement learning
.png){kind=icon}
OA
AI
DOI：10.1007/s11227-025-07737-2.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
强化学习（RL）对数据科学决策至关重要，但存在样本低效问题，尤其是在涉及高成本物理交互的现实场景中。本文提出了一种新颖的人本启发式框架，用于提升RL算法的样本效率。该框架通过首先让学习代理接触逐步增加复杂度的简单任务，最终引导至主任务。该方法无需预训练，且仅需一个回合学习简单任务。由此获得的知识可促进多种迁移学习策略，如值函数与策略迁移，且不会增加计算复杂度。该方法可应用于不同目标、环境和RL算法，包括基于值函数、基于策略、表格型及深度RL方法。实验评估证明了该框架在提升样本效率方面的有效性，尤其在具有挑战性的主任务中表现突出，并通过简单随机游走及更复杂的约束最优控制问题进行了验证。
Keyword:
Deep reinforcement learning
Policy optimization
PPO
Sample efficiency
Exploration
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.7
论文数:
1.1K
被引数:
1.0W
机构
引用论文
Curiosity-driven exploration based on hierarchical vision transformer for deep reinforcement learning with sparse rewards基于层次化视觉Transformer的好奇心驱动探索，用于稀疏奖励的深度强化学习.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Generalized predictive control for a coupled four tank MIMO system using a continuous-discrete time observerISA TRANSACTIONS
ISA TRANSACTIONSIF6.5
PREAI
分享收藏
没有更多内容
没有更多内容