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

67133. Поняття про функції - «друзі» класу 78.5 KB
  Технологія об'єктно-орієнтованого програмування дає змогу організувати доступ до закритих членів класу функціями, які не є його членами. Для цього достатньо оголосити ці функції дружніми до цього класу. Щоб зробити функцію “другом” класу, потрібно помістити її прототип в public-розділ оголошення класу і попередити його ключовим словом friend.
67134. Английская журналистика XIX века 32 KB
  В конце 19 века происходит разделение прессы на элитарную и массовую. В начале 19 века были самые различные налоги поэтому тираж у газет был небольшой и цена таких экземпляров была достаточно большой. К началу 20 века 3367 наименований газет и журналов.
67135. Пьер де Ронсар, Луис де Камоэнс, Уильям Шекспир 42.5 KB
  Первым начали использовать стихию народного языка для обогащения поэтики. Уже в следующем веке слава его начинает меркнуть. Очень нелицеприятного откликались о нем классицисты 19 века, его стихам не хватало стройности и порядочности. Эта эстетика не соответствовала духу его поэзии.
67136. Русская культура на переходе от средневековья к новому времени 32 KB
  Примечательно что в 17 веком появляется обличение лени пассивности уже приветствуется динамизм умение приспособиться к изменениям нового времени. Изменения этого времени было уже нельзя предотвратить. Это переходная эпоха к новому времени.
67137. Культурогенез. Научные и философские концепции культурогенеза 34 KB
  Вопросы происхождения культуры затрагивались многими историками и философами но первые научные исследования в этой области связаны с работами антропологами эволюционистов 19 века. Философский подход он опирается на первоначальный набор аксиом из которого путём умозаключений философ строит свою теорию культурогенеза.
67138. Михаил Юрьевич Лермонтов 1814 – 1841 37 KB
  Внешне он производил впечатление очень демонического героя который очень легко относился к своему дару. Биография Лермонтова биография человека очень трагическая. Лермонтов узнал и полюбил красоту русской природы былину об Иване Грозном предание о Степане Разине и Емельяне Пугачеве.
67139. Комфортные условия жизнедеятельности в техносфере 22.59 KB
  Техносфера – регион биосферы, в прошлом преобразованный людьми с помощью прямого или косвенного воздействия технических средств. Взаимодействие человека и техносферы. Человек и окружающая его среда (природная, производственная, городская, бытовая и др.) в процессе жизнедеятельности постоянно взаимодействуют друг с другом.
67140. Историческая школа. Инициатор Франс Боас (1856-1942) 31.5 KB
  Цель антропологии по его мнению состоит в реконструкции всей истории человечества при этом он говорит о том что существуют общие законы развития культуры но при этом он призывал к осторожности к их формулировке потому что культуры имеют собственную уникальную историю каждая культура индивидуальная.