原创力文档- 1、本文档共4页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
广义自适应传输网络：增强跨领域强化学习
中的迁移学习
AbhishekVerma,NallarasanV,andBalaramanRavindran
DepartmentofInformationTechnology,SRMIST,Chennai,TamilNadu,India
Email:{av6651,nallarav}@srmist.edu.in
IndianInstituteofTechnology,Madras,TamilNadu,India
Email:ravi@cse.iitm.ac.in
摘要—迁移学习在强化学习（RL）中使代理能够利用源任计算效率:需要大量重新训练或大型源任务库的迁
本务的知识来加速目标任务的学习。虽然先前的工作，如Attend、移方法对于资源受限的环境来说计算成本过高。
Adapt和Transfer（A2T）框架，解决了负向转移和选择性转
译我们提出了广义自适应传输网络（GATN），这是
移的问题，但其他关键挑战仍然未被充分探索。本文介绍了广义
中一种新颖的架构，能够解决这些问题。GATN集成：
自适应传输网络（GATN），这是一种深度RL架构，旨在解决
1跨领域的任务泛化、对环境变化的鲁棒性和迁移计算效率问题。在不同的状态-动作空间中学习共享特征的领域无
v
6GATN采用了一种领域无关的表现模块、一个鲁棒性感知策略适关表示模块。
2配器和一个高效的转移调度程序来实现这些目标。我们在多样化在环境扰动下保持性能的鲁棒性感知策略适配器。
0
3的基准测试中评估了GATN，包括Atari2600、MuJoCo以及对相关来源知识进行优先处理以最小化计算开销的
0自定义的聊天机器人对话环境，展示了在跨域泛化、对动态环境
.高效的传输调度器。
7的韧性以及计算开销减少方面优于基线模型的表现。我们的研究
0结果表明，GATN是一种适用于实际RL应用（如自适应聊天机Parisotto等人。[4]提出了Atari游戏的多任务学习，
5
2器人和机器人控制）的多功能框架。但在微调过程中遇到了负面迁移问题，而GATN通过
:
v其自适应机制解决了这一问题。我们的贡献是：
i
xI.介绍1)一种新的框架GATN，用于强化学习中的迁移学
r
a习，解决跨域泛化、鲁棒性和效率问题。
强化学习（RL）使代理通过与环境的交互来学习
2)在Atari2600、MuJoCo和聊天机器人对话环境
最优策略，该环境被建模为马尔可夫决策过程（MDP）
中进行的经验验证，显示了相较于A2T和基线的
[1]。在RL中的迁移学习通过复用源任务的知识来加速
性能提升。
目标任务的学习[2]。虽然像A2T[3]这样的框架解决了
3)对将GA
文档评论（0）