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

69973. ФОРМИРОВАНИЕ СИСТЕМНО-АНАЛИТИЧЕСКОГО ПОДХОДА К ОКАЗАНИЮ ПСИХОЛОГИЧЕСКОЙ ПОМОЩИ СТУДЕНЧЕСКОЙ МОЛОДЕЖИ 105 KB
  В последние десятилетия все более актуальной становится проблема оказания адекватной психологической помощи студенческой молодежи в связи с чем возникает потребность в повышении уровня компетенций психологов в области психологического консультирования.
69974. ЛОГИКО-ГЕРМЕНЕВТИЧЕСКИЙ АНАЛИЗ СУЩНОСТИ И ЗНАЧЕНИЯ ПОНЯТИЯ «ИННОВАЦИОННОЕ РАЗВИТИЕ» 66 KB
  Начало XXI века как в социальной производственной так и в образовательной сфере в научной и производственной литературе в СМИ и других источниках стали широко употребляться такие устойчивые словосочетания как: инновационная деятельность; инновационные направления; инновационные решения...
69975. ИСПОЛЬЗОВАНИЕ ВОЗМОЖНОСТЕЙ ОБРАЗНОГО ОБРАЗОВАНИЯ ПРИ ОБУЧЕНИИ ИСТОРИИ 95.5 KB
  Возможности реализации образного образования представлены совокупностью методических приёмов формирования и творческой реконструкции образов исторического прошлого в аспекте реализации познавательной парадигмы образ слово действие.
69976. ИДЕИ ФОРМИРОВАНИЯ ПРОФЕССИОНАЛЬНОГО МАСТЕРСТВА УЧИТЕЛЯ В ТРУДАХ УЧЕНЫХ-ПЕДАГОГОВ И ПРОСВЕТИТЕЛЕЙ БЕЛАРУСИ ПЕРВОЙ ТРЕТИ ХХ ВЕКА 141.5 KB
  Анализируются идеи формирования профессионального мастерства учителя в трудах ученых-педагогов и просветителей Беларуси первой трети ХХ века. Отмечается значимость историко-педагогического наследия актуализация которого способна оказать позитивное воздействие на рост профессионального...
69977. ВЗАИМОСВЯЗЬ ЭМПАТИИ И САМОАКТУАЛИЗАЦИИ В ЮНОШЕСКОМ ВОЗРАСТЕ 90 KB
  В данной статье автор анализирует особенности взаимосвязи эмпатии и самоактуализации личности в юношеском возрасте. В работе представлены результаты эмпирического исследования согласно которому существует связь общего уровня эмпатии с отдельными шкалами самоактуализации.
69978. ОПРЕДЕЛЕНИЕ ПОНЯТИЯ «ЭМПАТИЯ» В ОТЕЧЕСТВЕННОЙ И ЗАРУБЕЖНОЙ ПСИХОЛОГИИ 117.5 KB
  Кроме того вместо эмпатии но в сходных значениях употребляются другие термины: сопереживание сочувствие сострадание альтруизм просоциальное поведение социальная сензитивность. в западноевропейской философии рассматривались и обсуждались такие аспекты эмпатии как: определение сущности данного явления; установление и описание всевозможных форм ее проявления; выявление наличия и характера взаимосвязей с другими показателями психического развития человека. Первые исследования эмпатии в психологии носили в основном эмпирический...
69979. ПРОФЕССИОНАЛЬНЫЕ КОМПЕТЕНЦИИ ИНЖЕНЕРОВ И ИХ ФОРМИРОВАНИЕ В ПРОЦЕССЕ ОБУЧЕНИЯ В ВУЗЕ 61 KB
  Содержит описание специфики профессиональной деятельности инженера. С позиции акмеологии выделяются следующие общие и обязательные для всех специалистов характеристики профессиональной компетентности: гностическая когнитивная отражает наличие необходимых профессиональных...
69980. МОТИВАЦИОННЫЙ ПРОФИЛЬ ЛИЧНОСТИ СТУДЕНТА-ПСИХОЛОГА С РАЗНЫМ УРОВНЕМ ПРОФЕССИОНАЛЬНОЙ НАПРАВЛЕННОСТИ 70.5 KB
  В данной статье анализируется проблема профессиональной направленности и ее влияние на мотивационный профиль студента-психолога. Эмпирически доказывается что студенты с высоким уровнем профессиональной направленности активнее стремятся к познанию и развитию себя своих возможностей и способностей.
69981. ЗНАЧЕНИЕ ИНТЕЛЛЕКТУАЛЬНОЙ КОМПЕТЕНТНОСТИ В СТРУКТУРЕ КОМПЕТЕНЦИЙ СТУДЕНТОВ-ПСИХОЛОГОВ 117 KB
  Конкретизированный список инструментальных компетенций содержит: 1 способность к анализу и синтезу; 2 способность к организации и планированию; 3 базовые знания в различных областях; 4 тщательная подготовка по основам профессиональных знаний; 5 письменная и устная коммуникация на родном языке...