会员服务
深度强化学习 (DRL) 是一种使用深度学习技术扩展传统强化学习方法的一种机器学习方法。 传统强化学习方法的主要任务是使得主体根据从环境中获得的奖赏能够学习到最大化奖赏的行为。然而，传统无模型强化学习方法需要使用函数逼近技术使得主体能够学习出值函数或者策略。在这种情况下，深度学习强大的函数逼近能力自然成为了替代人工指定特征的最好手段并为性能更好的端到端学习的实现提供了可能。
On the Mistaken Assumption of Interchangeable Deep Reinforcement Learning Implementations
Arxiv
0+阅读 · 10月31日
Algorithmic Predation: Equilibrium Analysis in Dynamic Oligopolies with Smooth Market Sharing
Arxiv
0+阅读 · 10月30日
RL-I2IT: Image-to-Image Translation with Deep Reinforcement Learning
Arxiv
0+阅读 · 10月29日
Deep Reinforcement Learning Approach to QoSAware Load Balancing in 5G Cellular Networks under User Mobility and Observation Uncertainty
Arxiv
0+阅读 · 10月28日
Federated Deep Reinforcement Learning for Privacy-Preserving Robotic-Assisted Surgery
Arxiv
0+阅读 · 10月28日
Navigation in a Three-Dimensional Urban Flow using Deep Reinforcement Learning
Navigation in a Three-Dimensional Urban Flow using Deep Reinforcement Learning
Arxiv
0+阅读 · 10月29日
Solving Continuous Mean Field Games: Deep Reinforcement Learning for Non-Stationary Dynamics
Arxiv
0+阅读 · 10月25日
Learning Heuristics for Transit Network Design and Improvement with Deep Reinforcement Learning
Arxiv
0+阅读 · 10月26日
Transferable Deep Reinforcement Learning for Cross-Domain Navigation: from Farmland to the Moon
Arxiv
0+阅读 · 10月27日
Energy-Efficient Irregular RIS-aided UAV-Assisted Optimization: A Deep Reinforcement Learning Approach
Arxiv
0+阅读 · 10月27日
Mind the GAP! The Challenges of Scale in Pixel-based Deep Reinforcement Learning
Arxiv
0+阅读 · 10月24日
Mix Q-learning for Lane Changing: A Collaborative Decision-Making Method in Multi-Agent Deep Reinforcement Learning
Arxiv
0+阅读 · 10月24日
Time Reversal Symmetry for Efficient Robotic Manipulations in Deep Reinforcement Learning
Arxiv
0+阅读 · 10月21日
The Pursuit of Diversity: Multi-Objective Testing of Deep Reinforcement Learning Agents
Arxiv
0+阅读 · 10月16日
AOAD-MAT: Transformer-based multi-agent deep reinforcement learning model considering agents' order of action decisions
Arxiv
0+阅读 · 10月15日
参考链接
父主题
强化学习
微信扫码咨询专知VIP会员
Top