Learning a Transferable World Model by Reinforcement Agent in Deterministic Observable Grid-World Environments

摘要

Pastiprinimu paremti agentai mokytis susiduria su problemomis perkeldami vienoje aplinkoje ?gytas ?inias ? naujasaplinkas: taip nutinka d?l receptori? pateikim? interpretavimo būdo ir mechanizm?, leid?ian?i? tinkamai apibendrinti receptori?pateikimus, trūkumo. Straipsnyje ?i ?ini? perkeliamumo problema yra sprend?iama pasiūlius agent?, kuris taiko sprendim?med?io indukcijos ir konstrukcin?s indukcijos metodus, o receptori? pateikimus interpretuoja kaip paskirstyt? savybi? rinkin?.Prad?damas darb? agentas neturi joki? ?ini? nei apie aplink?, nei apie savo veiksm? pasekmes. Jis i?moksta pasaulio model?(sprendim? med?i? rinkin?), atitinkant? i?samius veiksm? apra?ymus, pagal kur? turint konkre?ius receptori? pateikimus, galimaprognozuoti veiksm? pasekmes. Agento planavimo komponent?, paremta paie?kos platyn metodu: ji ie?ko veiksm? grandini?nuo vienos aplinkos situacijos iki kitos naudodama pasaulio model? ir pagal j? suprognozuotus receptori? pateikimus. Pasiūlytasmetodas palygintas su Q-mokymo ir Adaptyvaus dinaminio programavimo metodais: pateiktos metod? galimyb?s siekti tiksl?statin?se stebimose deterministin?se i? laukeli? sudarytose aplinkose, taikant ne toje pa?ioje aplinkoje i?moktus pasauliomodelius.DOI: http://dx.doi.org/10.5755/j01.itc.41.4.915