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

2524. Соотношение неопределенностей для фотонов 186.65 KB
  Цель работы: исследовать дифракцию света на узкой щели, объяснить дифракционную картину с волновой точки зрения и с помощью соотношения неопределенностей.
2525. Интерференция света. Кольца Ньютона 138.29 KB
  Цель работы: Получить на экране кольца Ньютона, используя красный и зеленый светофильтры, измерить радиусы нескольких колец, расстояния d1 и d2, рассчитать радиус кривизны линзы.
2526. Электропроводность полупроводников и металлов 130.25 KB
  Цель работы: изучить основы теории электропроводности полупроводников и металлов. Исследовать температурные зависимости для Cu (меди) и Si (кремния), качественно их сравнить.
2527. Расчет цепей постоянного тока 180.38 KB
  Повторение методов расчета цепей постоянного тока, ознакомление с компенсационным методом измерения электродвижущей силы (э.д.с.), измерение э.д.с. гальванического элемента.
2528. Изучение затухающих электромагнитных колебаний с помощью осциллографа 150.84 KB
  Углубление и закрепление знаний по электромагнитным колебаниям, возникающим в колебательном контуре, усвоение методики использования электронного осциллографа для исследования электрических сигналов.
2529. Изучение вынужденных колебании в электрическом контуре 92.66 KB
  Вынужденными называются колебания, в процессе которых система подвергается внешнему периодически изменяющемуся воздействию. В конкретном случае электрического колебательного контура это означает, подключение к контуру внешней электродвижущей силы ε периодически изменяющейся со временем и создающей в контуре переменное электрическое напряжение.
2530. Измерение параметров периодический электрических сигналов 128.5 KB
  Изучить устройство и принцип действия электронного осциллографа. Научиться измерять с помощью осциллографа параметры периодических электрических сигналов – амплитуду, длительность и период.
2531. Методика измерения сопротивления, емкости и индуктивности с помощью универсального моста 113.5 KB
  Изучить теорию и сущность мостового метода измерения электрических величин. Овладеть методикой измерения сопротивления, ёмкости и индуктивности при помощи универсального моста. Мост измерения индуктивности путём сравнения индуктивности с ёмкостью.
2532. Определение времени жизни мюонов 113 KB
  Цель работы: изучить законы радиоактивного распада и оценить время жизни покоящихся мюонов. Мюоны (μ-мезоны) – нестабильные частицы с единичным положительным или отрицательным зарядом и массой, которая почти в 207 раз больше массы электрона.