.png){kind=icon}
返回
Robust Deep Reinforcement Learning Using Formal Verification
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-031-98208-8_11.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出一种通过将形式验证技术集成到训练循环中，以增强深度强化学习（DRL）的鲁棒性和效率的方法。我们的方法利用验证工具生成的反例作为校正反馈来指导策略调整，使智能体能够避免不安全动作并更快学习。受模仿学习启发，验证工具充当专家，在智能体策略失败时持续优化神经网络。在Frozen Lake和Sokoban等具有挑战性的环境中进行的实验表明，我们的方法在提高成功率方面取得了显著改进，并将训练周期数最多减少了70%，同时显著增强了策略安全性。代码和完整的可复现性说明已发布在https://github.com/AvrahamRaviv/Robust-DRL-FV。
Keyword:
Deep Reinforcement Learning
Formal Verification
Policy Safety
Counterexample-Guided Learning
Training Efficiency
期刊
T
IF:
0
论文数:
17
被引数:
0
机构
引用论文
Trainify: A CEGAR-Driven Training and Verification Framework for Safe Deep Reinforcement Learning
OAAI
OAAI分享收藏D. Gross, N. Jansen, S. Junges, G. A. Pérez, Cool-mc: a comprehensive tool for reinforcement learning and model checking, in: International Symposium on Dependable Software Engineering: Theories, Tools, and Applications, Springer, 2022, pp. 41–49.D. Gross, N. Jansen, S. Junges, G. A. Pérez, Cool-mc:一种用于强化学习和模型检测的综合工具，载于：国际可靠软件工程研讨会：理论、工具与应用，Springer, 2022, 第41-49页。.png)
IF0
PREAI
分享收藏
查看更多内容