.png){kind=icon}
返回
Model reusability in Reinforcement Learning
.png){kind=icon}
OA
AI
DOI：10.1007/s00778-025-00920-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在强化学习（Reinforcement Learning, RL）中，重复使用训练模型的能力对于复杂任务具有显著的实践价值。尽管在数据管理领域，监督模型的重复使用性已得到广泛研究，但据我们所知，这是首次为RL提出的基于原则的研究。为了捕捉训练策略，我们开发了一个基于表达性强且无损的图数据模型的框架，该框架能够容纳基于时序差分学习（Temporal Difference Learning）和深度强化学习（Deep-RL）的RL算法。我们的框架能够捕捉任意奖励函数，这些函数可以在推理时进行组合。该框架提供了理论保证，并表明其结果与从头训练的策略相同。我们设计了一个参数化算法，在累积奖励方面实现了效率与质量的平衡。在两个常见的RL任务（查询优化和机器人运动）上的实验验证了我们的理论，并展示了我们算法的有效性和效率。
Keyword:
Reinforcement Learning
Reusability of ML models
Optimization algorithms
期刊
IF:
3.8
论文数:
81
被引数:
2.4K
机构
引用论文
Cooperative Route Planning Framework for Multiple Distributed Assets in Maritime Applications多分布式资产在海上应用中的协同航路规划框架
PREAI
分享收藏
Informing sequential clinical decision-making through reinforcement learning: an empirical study.png)
MACHINE LEARNINGOAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏分享收藏分享收藏
查看更多内容