8139

Обучение с подкреплением. Пассивное обучение. Активное обучение.

Лекция

Информатика, кибернетика и программирование

Обучение с подкреплением. Пассивное обучение. Активное обучение. Задача обучения с подкреплением состоит в том, чтобы обеспечить использование наблюдаемых вознаграждений для определения в процессе обучения оптимальной стратегии для данной среды. Пре...

Русский

2013-02-04

41 KB

8 чел.

Обучение с подкреплением.

Пассивное обучение. Активное обучение.

Задача обучения с подкреплением состоит в том, чтобы обеспечить использование наблюдаемых вознаграждений для определения в процессе обучения оптимальной стратегии для данной среды.

Предполагается, что среда является полностью наблюдаемой, поэтому информация о текущем состоянии поступает с результатами каждого восприятия. Обычно рассматривают три проекта агентов:

  •  Агент, действующий с учетом полезности, определяет с помощью обучения функцию полезности состояния и использует ее для выбора действий, которые максимизируют ожидаемую полезность результата;
  •  Агент, действующий по принципу Q-обучения, определяет с помощью обучения функцию “действие-значение”, или Q-функцию, получая сведения об ожидаемой полезности выполнения данного конкретного действия в данном конкретном состоянии.
  •  Рефлексный агент определяет с помощью обучения стратегию, которая непосредственно отображает состояния в действия.

Пассивное обучение с подкреплением

При таком виде обучения стратегия агента остается неизменной, а задача состоит в том, чтобы определить с помощью обучения полезности состояний (или пар “состояние-действие”). Для этого может также потребоваться определение с помощью обучения модели среды. Задача пассивного обучения аналогична задаче оценки стратегии, которая является частью алгоритма итерации по стратегиям. Пассивный обучающийся агент не знает модели перехода T(s,a,s), которая определяет вероятность достижения состояния s из состояния s после выполнения действия a; он также не знает функцию вознаграждения R(s), которая задает вознаграждение для каждого состояния.

Существует простой метод непосредственной оценки полезности, идея которого состоит в том, что полезностью данного конкретного состояния является ожидаемое суммарное вознаграждение, связанное с действиями, выполняемыми, начиная с этого состояния, а каждая попытка представляет собой выборку этого значения для каждого посещенного состояния. Таким образом, в конце каждой последовательности алгоритм вычисляет наблюдаемое будущее вознаграждение для каждого состояния и обновляет соответствующим образом оценку полезности для этого состояния путем ведения текущего среднего значения для каждого состояния. В пределе, после выполнения бесконечного количества попыток, среднее по выборкам сходится к значению истинного ожидания.

Очевидно, что непосредственная оценка полезности представляет собой один из видов контролируемого обучения, в котором каждый пример задает состояние в качестве входных данных, а наблюдаемое будущее вознаграждение – в качестве выходных. Это означает, что данный метод позволяет свести обучение с подкреплением к стандартной задаче индуктивного обучения. Однако в этом методе не учитывается тот факт, что полезности состояний не являются независимыми. Дело в том, что полезность каждого состояния равна сумме его собственного вознаграждения и ожидаемой полезности его состояний-преемников. Данный метод можно рассматривать как поиск в пространстве гипотез, которое имеет размеры намного большие, чем необходимо, поскольку включает также много функций, которые нарушают уравнения Беллмана. По этой причине данный алгоритм часто сходится очень медленно.

Активное обучение с подкреплением

Пассивный обучающийся агент руководствуется постоянно заданной стратегией, которая определяет его поведение, а активный агент должен сам принимать решение о том, какие действия следует предпринять. Прежде всего, агенту потребуется определить с помощью обучения полную модель с вероятностями результатов для всех действий, а не просто модель для заданной стратегии. Затем необходимо принять в расчет тот факт, что агент должен осуществлять выбор из целого ряда действий. Полезности, которые ему потребуются для обучения, определяются оптимальной стратегией и подчиняются уравнениям Беллмана:

U(s) = R(s) + maxs    U(s’)

Эти уравнения могут быть решены для получения функции полезности U с помощью алгоритмов итерации по значениям или итерации по стратегиям. Последняя задача состоит в определении того, что делать на каждом этапе. Получив функцию полезности U, оптимальную для модели, определяемой с помощью обучения, агент может извлечь информацию об оптимальном действии, составляя одношаговый прогноз для максимизации ожидаемой полезности. Еще один вариант состоит в том, что если используется итерация по стратегиям, то оптимальная стратегия уже известна, поэтому агент должен просто выполнить действие, рекомендуемое согласно оптимальной стратегии.

Однако может оказаться, что выбор оптимального действия приводит к неоптимальным результатам. Причиной этого может быть то, что модель, определяемая с помощью обучения, не является такой же, как истинная среда; поэтому то, что оптимально в модели, определяемой с помощью обучения, может оказаться неоптимальным в истинной среде. Поэтому агент должен искать компромисс между потреблением полученных результатов для максимизации своего вознаграждения (что отражается в его текущих оценках полезностей) и исследованием среды для максимизации своего долговременного благосостояния.


 

А также другие работы, которые могут Вас заинтересовать

69468. Трифонов Юрий Валентинович 20.21 KB
  Понятие «экзистенциализм» возникло на излете Второй Мировой Войны и связано с внутренним разочарованием в человеке и человечестве. Экзистенциальность как философское направление и экзист как «бытие», которое ставит перед собой «вечные» вопросы, но, так или иначе, они всегда связаны с проблемой смерти.
69469. Проблемы национальных меньшинств 25.82 KB
  Проблемы национальных меньшинств — в том виде, как они предстают перед нами сегодня — с исторической точки зрения очень молоды. Современные проблемы меньшинств берут свое начало непосредственно в национальном государстве: некоторое время тому назад в Европе...
69470. Проблематика Чехова уже есть, тут – эволюция 17.74 KB
  Дерман А.О. « мотивы смешного в мещанской среде, когда перечень литературных штампов в его дебютной вещице был так забавен, — тогда из-под его пера выходили характерно юмористические фигуры: парикмахера, отказавшегося достричь своего клиента после того, как он узнал...
69471. Проза А. П. Чехова: проблематика, концепция человека, специфика повествования, проблема эволюции (на конкретных примерах) 25.35 KB
  Раннее творчество: «Толстый и тонкий», «Хамелеон», «Друзья на охоте» и др. – переработка классич традиции – новая трактовка «маленького человека»: боязнь высших чинов, пиитет перед вышестоящими. Мир изображается изнутри человека.
69473. Уменьшение доли населения экономически развитых стран в мировом населении 24.76 KB
  Общий рост населения идет нарастающими темпами. За длительный исторический период временные отрезки удвоения численности населения сокращаются. В западных странах наиболее высокие темпы прироста населения были в 1760-1820 гг.
69474. «Шестидесячничество» как социокультурный феномен 20.2 KB
  На 60-ые годы 20 века приходится так называемая эпоха «оттепели». Одной из важнейших характеристик литературы этого времени является легализация прозы, то есть, формирование исповедального начала, в рамках которого актуализируются такие жанры, как лирико-исповедальная повесть...
69475. Проблемы коренных малочисленных народов Севера 48.5 KB
  В настоящее время в 28 субъектах Российской Федерации компактно проживают 48 малочисленных народов Севера. Причём численность отдельных народов колебалась от 41 тысячи человек ненцы до 240 человек энцы. Около 65 процентов граждан из числа малочисленных народов Севера...