.png){kind=icon}
返回
Sign potential-driven multiplicative optimization for robust deep reinforcement learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2025.107492.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度强化学习（DRL）因其能够为不同领域（如机器人技术、自动驾驶、金融交易等）的各类问题提供有价值的解决方案而引起了研究人员的兴趣。然而，DRL模型通常较为敏感，在训练和评估过程中表现出不稳定的行为，这增加了人们对实施鲁棒方法以增强DRL训练过程的研究兴趣。考虑到基于乘性更新的优化方法在收敛性和鲁棒性方面已显示出优于加性更新的优势，我们提出了一种新颖的基于动量的优化方法，该方法克服了现有方法的重大局限性，例如乘性更新无法翻转参数符号的问题。更具体地说，所提出的方法采用了一种受脉冲神经网络启发的符号变化机制，允许参数改变符号，从而在加速学习和增强鲁棒性方面有利于训练过程。该提出的优化器旨在训练DRL智能体，并在多种任务中进行了实验评估，证明了其在DRL智能体训练中的有效性。
Keyword:
Optimization
Multiplicative optimizer
Deep reinforcement learning
期刊
IF:
6.3
论文数:
7.8K
被引数:
3.0W
机构
引用论文
Optimizing resource allocation in UAV-assisted ultra-dense networks for enhanced performance and security优化无人机辅助超密集网络中的资源分配，以提升性能与安全性
PREAI
分享收藏Reinforcement learning algorithm for non-stationary environments面向非平稳环境的强化学习算法.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏
分享收藏分享收藏Networks of spiking neurons: The third generation of neural network models尖峰神经元网络: 第三代神经网络模型NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏Training much deeper spiking neural networks with a small number of time-steps用少量的时间步长训练更深的尖峰神经网络NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏
查看更多内容