Более интеллектуальные градиенты ИИ: как агенты учатся думать

Описание: Исследование имеет важное значение в обучении с подкреплением (RL), поскольку агент ИИ полагается на метод проб и ошибок для изучения оптимальной стратегии. Однако, когда вознаграждения невелики, наивные стратегии исследования, такие как введение шума, часто оказываются недостаточными.

Внутренние вознаграждения также могут обеспечить принципиальное руководство для исследования, например, путем их сочетания с внешними вознаграждениями для оптимизации стратегии или использования их для обучения подстратегий для иерархического обучения.

Однако первый подход страдает от нестабильного распределения вознаграждения, в то время как второй демонстрирует неэффективность выборки и субоптимальность. (См. статью № 2)

Все права принадлежат авторам:
Исследование модели вознаграждения за рассуждения для агентов
Кайсюань Фань1,2 Кайтуо Фэн1,2 Маньюань Чжан2* Тяньшуо Пэн1 Чжисюнь Ли3
Илей Цзян1,2 Шон Чен2 Пэн Пэй2 Сюньлян Цай2 Сянъюй Юэ1†
из
1 MMLab, CUHK

2 Мейтуань
3 SEEM, CUHK

Оптимизация политики внутреннего вознаграждения для сред с разреженным вознаграждением
Минчжэ Чо 1 Хуй Т. Тран 1
из
Инженерный колледж Грейнджера, Университет Иллинойса
Урбана-Шампейн, Урбана, США

#aireasoning
#aiexplained