状態遷移確率と報酬確率の転移による強化学習のサンプル量削減

摘要

強化学習は非常に多くの試行を必要とするため実環境に適用することが難しいが，転移学習を用いることで効率的な強化学習を実現することができる．本稿では，転移学習を強化学習に応用したTR-MAXを提案する．TR-MAXは，状態遷移確率と報酬確率を元問題から目標問題に転移させる強化学習アルゴリズムである．強化学習の効率を測る指標であるサンプル量について，TR-MAXが既存手法よりも優れていることを証明し，実験的にも優れていることを示す．