小小何先生

规划planning一直都是人工智能研究领域中，人们追逐的一个比较难的研究点，基于树的规划算法，像AlphaGo这类算法已经取得了巨大的成功，然而基于树模型的规划算法需要一...

这里只是对这篇文章的核心思想部分进行了总结归纳思考，具体的应用部分并未详细列出。 机器学习中很大一部分的核心问题都在于误差分析，少样本也不例外，最核心的东西就是对误差的分析...

提出一种基于基于DQN replay dataset的offline强化学习算法。用Random Ensemble Mixture (REM)一种更加鲁棒的Q-Learni...

用强化学习控制GAN网络，以使得GAN更快，更鲁棒。将其用于点云数据生成。全网第一次用RL控制GAN。通过数据驱动的方法填补三维数据中的数据缺失。 预训练阶段，训练一个自编...

提出一种并行化的MCTS算法，该算法实现了线性加速，并随着Workers的增加，性能只有些许损失。 MCTS的缺点就是无法并行，但是并行之后没有性能损失是比较困难的，主要的...

最近也是有很多文章聚焦于基于模型的强化学习算法，一种常见的做法就是学一个model，然后用轨迹优化的方法求解一下，而这种方法并没有考虑与真实环境的差异，导致你求解的只是在你...

从world model中学一个policy，并将迁移到real world。 人类通常是通过自己的感官数据建立自己对这个世界的认知模型。比如看同一张图片，不同的人能够得到...

正在学，把网上优质文章整理了一下。 但posterior distribution 求解用贝叶斯的方法是比较困难的，因为我们需要去计算，而通常会是一个高维的随机变量，这个积...

作者在这里所关心的是，智能体采样很难采样到那些表现性能比较好的样本，就是说有些状态动作对根本就采不到，因为很难去学习这么好的策略，但是人类可以很轻松的采样得到这些样本。但是...

value-base的强化学习值函数的近似估计会过估计值函数(DQN)，作者将Double Q-Learning处理过拟合的思想引入actor critic算法中。(过估计...

这篇文章将Deep Q-Learning运用到Deterministic Policy Gradient算法中。如果了解DPG的话，那这篇文章就是引入DQN改进了一下DPG...

stochastic policy的方法由于含有部分随机，所以效率不高，方差大，采用deterministic policy方法比stochastic policy的采样效...

本文是自己的TRPO算法学习笔记，在数学原理推导核心部分附有自己的理解与解释。整篇文章逻辑清晰，思路顺畅。有想推导的同学可以一起学习。 TRPO和PPO都是基于Minori...

在强化学习算法中agent所观测到的data是 non-stationary和strongly correlated的。通过设置memory的方式可以 reduces no...

Experience replay能够让强化学习去考虑过去的一些经验，在【1】这篇文章之前通常采用随机采样的方式在记忆库中采样。但是有一些记忆比较关键，因此随机采样的方式就...

如果所有的动作值函数都被均匀地加上一个常数，似乎这不会对策略有什么影响。问题就在于当你有一个动作值函数过估计之后在加上探索和利用技术之后，那可能就会偏向于之前就过估计的动作...

这篇论文最开始是15年提出来的，但最新的修订版本是17年的，下文所有内容都以17年版本为主。 如题目中所述，作者解决的就是部分可观测马尔可夫决策过程 (Partially-...

解决从高维传感器获取数据而端到端实现控制的难题(以前很多都是使用手工提取的特征)。所使用的例子：直接用图像数据学会控制Atari游戏，并且达到了人类水平。 在这之前已经有很...