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

16160. Судебная практика и ее роль в правовом регулировании предпринимательской деятельности. Учебное пособие 1.44 MB
  Судебная практика и ее роль в правовом регулировании предпринимательской деятельности Вступительная статья Правовое регулирование предпринимательской деятельности осуществляется комплексом законодательства представляющим различные отрасли права основ
16161. Незаконный оборот оружия. Учебное пособие 324.5 KB
  В работе излагаются вопросы регламентации оборота оружия в международных правовых актах, комментируются концепции регулирования международной торговли оружием на примере законодательств США и Германии. Основное внимание уделено уголовно-правовой характеристике незаконного оборота оружия по Уголовному кодексу Российской Федерации
16162. Квалификация контрабанды. Учебное пособие 565 KB
  Основная часть работы посвящена уголовно-правовому анализу состава контрабанды. Дается характеристика квалифицированных видов контрабанды, затрагиваются некоторые вопросы разграничения контрабанды и смежных составов преступлений
16163. Синтетические наркотики, вопросы расследования преступлений. Учебное пособие 3.36 MB
  Сергей Александрович Розанов Синтетические наркотики: вопросы расследования преступлений Серия Закон и практика В. Усманов Г. Михайлова В. Земских А. Михайлов Н. Биржаков Е. Трофимова Н. Солнцева С. Шевякова Главный редактор Заведующий редакцией Выпуска...
16164. Ответственность за должностные преступления в зарубежных странах. Учебное пособие 346.5 KB
  ОТВЕТСТВЕННОСТЬ ЗА ДОЛЖНОСТНЫЕ ПРЕСТУПЛЕНИЯ в зарубежных странах Москва Юридическая литература 1994 67 080 Работа подготовлена коллективом сотрудников Института законодательства и сравнительного правоведения при Правительстве Российской Федерации: п...
16165. Задержание лица, подозреваемого в совершении преступления. Учебное пособие 134.5 KB
  В пособии в форме тематической лекции, прочитанной в УрЮИ МВД России, рассматриваются понятие, цели, условия, основания, мотивы и процессуальный порядок производства задержания лица, подозреваемого в совершении преступления, а также основания освобождения лица от подозрения. Проводится разграничение фактического, административного, уголовно-процессуального задержания и заключения под стражу
16166. Криминалистика, тактика, организация и методика расследования преступлений. Учебное пособие 884.5 KB
  Учебник предназначен для слушателей факультета заочного обучения. В нем рассмотрены темы курса криминалистики по тактике, организации и методике расследования преступлений в соответствии с рабочей программой по криминалистике для Волгоградского юридического института России
16167. Расследование хищений чужого имущества. Учебное пособие 676 KB
  В учебном пособии рассмотрены общие положения методики расследования хищений чужого имущества, а также частные методики расследования хищений автотранспорта, предметов, имеющих особую ценность, серийных квартирных краж, хищений, совершаемых группами несовершеннолетних
16168. Уголовное право России. Учебное пособие 2.65 MB
  Г.М. Миньковский A.A. Магомедов В.П. Ревин УГОЛОВНОЕ ПРАВО РОССИИ Под общей редакцией заслуженного деятеля науки РФ доктора юридических наук профессора РЕВИНА В.П. УЧЕБНИК Общая и Особенная части. Рекомендуется к изданию редакционноиздательским советом Академии у