ICLR 2022 不求甚解阅读笔记--强化学习类（1）

已于 2022-08-15 11:23:05 修改
阅读量895 收藏
点赞数
分类专栏： 多智能体强化学习 文章标签： 人工智能
于 2022-07-29 09:36:10 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/kiding_k/article/details/126048760
版权
这篇博客总结了ICLR 2022中关于强化学习的五篇论文，包括模型增强优先级经验回放、无外部奖励下智能体的利他行为学习、进化多样性优化、内在奖励生成选择和处理多智能体非平稳性的信任区域分解方法。这些研究分别聚焦于改善经验回放、无奖励环境的协作行为、多样性的强化学习策略、多智能体协同探索及策略稳定性。
摘要由CSDN通过智能技术生成

1. Model-augmented Prioritized Experience Replay

Youngmin Oh1, Jinwoo Shin2, Eunho Yang2,3, Sung Ju Hwang2,31Samsung Advanced Institute of Technology
2 Korea Advanced Institute of Science and Technology
3 AITRICS

本文是PER（ Prioritized Experience Replay）的改进，在进行优先级计算时，进一步考虑了对transition的评估，即称为模型增强（model- augment）的PER

– 2022.7.29

2. Learning Altruistic Behaviours in Reinforcement Learning without External Rewards

Tim Franzmeyer
University of Oxford
frtim@robots.ox.ac.uk
Mateusz Malinowski
DeepMind
mateuszm@google.com
Joao F. Henriques ˜
University of Oxford
joao@robots.ox.ac.uk

最低0.47元/天 解锁文章
kiding_k
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【强化学习论文合集】三十九.2022国际表征学习大会论文(ICLR2022)
计算机科研杂货铺
11-23 3513
强化学习（Reinforcement Learning, RL），又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。 > 本专栏整理了近几年国际顶级会议中，涉及强化学习（Reinforcement Learning, RL）领域的论文。顶级会议包括但不限于：ICML、AAAI、IJCAI、NIPS、ICLR、AAMAS、CVPR、ICRA等。
【论文笔记】ICLR2022 Oral Presentations 强化学习论文5篇
Xixoqw的博客
03-11 4341
来自我的组会报告ppt。 文章目录引子Provably Filtering Exogenous Distractors using Multistep Inverse DynamicsThe Information Geometry of Unsupervised Reinforcement LearningVision-Based Manipulators Need to Also See from Their HandsTransform2Act: Learning a Transform-and-Co
ICLR 2019八大趋势：RNN正在失去光芒，强化学习仍最受欢迎
BigDataDigest的博客
05-16 873
大数据文摘出品来源：huyenchip编译：笪洁琼、周家乐ICLR 2019过去有几天了，作为今年上半年表现最为亮眼的人工智能顶会共收到1591篇论文，录取率为31.7%。为期4天的会议，共有8个邀请演讲主题，内容包括：算法公平性的进展、对抗机器学习、发展自主学习：人工智能，认知科学和教育技术、用神经模型学习自然语言界面等等。当然，除此之外，还有一大堆的poster。这些都彰显了ICLR的规格之高...
ICLR 2022 主题论文推荐——Reinforcement Learning
AI_Conf的博客
04-25 675
ICLR，即国际表征学习大会，由位列深度学习三大巨头之二的 Yoshua Bengio 和 Yann LeCun 牵头创办，是公认的深度学习领域国际顶级会议之一，关注有关深度学习各个方面的前沿研究，在人工智能、统计和数据科学领域以及机器视觉、语音识别、文本理解等重要应用领域中发布了众多极其有影响力的论文。 以下论文供大家参考学习： 1.Learning State Representations via Retracing in Reinforcement Learning 本文引入了循环一致性世界模型（.
ICLR 2022 | 从几何视角来看无监督强化学习
Paper weekly
04-19 569
©作者 |我是谁啊文章主旨本文主要针对一种无监督（不依赖 reward）的强化学习预训练方法——无监督技巧发现（unsupservised skill discovery）的算法最优性质进行了讨论。作者证明了通过最大化互信息（mutual information）方式的 skill discovery 无法保证对任何下游奖励函数都是最优的。同时在，作者证明了在某种特定的...
阅读理解-2020-ICLR-Transformer-XH- Multi-Evidence Reasoning with eXt
08-03
此外，Transformer-XH的另一大优势是其数据驱动的特性，这意味着它能自动学习如何处理复杂的文本结构，无需人为设计特定的结构化处理方式。这一特性使得Transformer-XH具有更好的泛化能力，适应各种带有内在结构的...
iclr-2021-factored-attention
05-30
iclr-2021-factored-attention 该存储库包含用于在我们的论文重现结果的代码。 该代码完全建立在之上， 是一个用于蛋白质家族 MRF 模型的小型库。 如果您希望使用我们的 Potts 或注意力实现进行自己的探索，直接...
ICLR-Workshop-Challenge-1-CGIAR-Computer-Vision-for-Crop-Disease:Zindi竞赛的入门代码-ICLR Workshop Challenge＃1
03-28
ICLR-车间-挑战1-CGIAR-用于作物病害的计算机视觉 Zindi竞赛的入门代码-ICLR研讨会挑战＃1：CGIAR作物病害的计算机视觉 我非常感谢Jeremy和整个Fastai团队。 我刚刚开始深度学习，发现出色的创造者Johnowhitaker和...
[2022 ICLR] Pyraformer: Low-Complexity Pyramidal Attention for Long-Range 时空序列建模和预测
小卜妞的博客
04-21 4149
Pyraformer: Low-Complexity Pyramidal Attention for Long-Range T-S Modeling and Forecasting 低复杂度的金字塔型注意力模型，用于长时序列建模和预测 我们研究的时空数据类任务（预测或异常检测等），需要考虑时间和空间两个维度。目前的研究成果在空间维度基本是以图卷积为主导，不同之处在于不同工作中定义的图类型有所不同，一般是静态图（即地理位置形成的天然拓扑图），还有结合时间或POI等额外信息计算得到的节点拓扑关系，一般称为动态
【ICLR2020】通过强化学习和稀疏奖励进行模仿学习
小小何先生的学习之旅
07-31 1279
论文题目：SQIL: Imitation Learning via Reinforcement Learning with Sparse Rewards 所解决的问题？   从高维的状态动作空间中进行模仿学习是比较困难的，以往的行为克隆算法(behavioral cloning BC)算法容易产生分布漂移(distribution shift)，而最近做得比较好的就是生成对抗模仿学习算法(g...
ICLR2023 | PromptPG：当强化学习遇见大规模语言模型
最新发布
人工智能讲师分享前沿技术
04-11 281
区别于随机选择 in-context 示例，本文提出的 PromptPG 通过 Policy Gradient 训练一个策略网络来选择更合适的 in-context 示例，在 TabMWP 上取得了最高的预测结果（68.23%），其平均预测准确率超过最好基准模型（Few-shot-CoT GPT-3）5.31%。通过让 Few-shot GPT-3 在生成最终答案前生成多步的中间步骤（Few-shot-CoT GPT-3），研究人员可以得到最优的基准模型，其准确率达到了 62.92%。
ICLR 2019论文投稿近1600篇，强化学习最热门
热门推荐
AI科技大本营
09-28 5万+
作者 | 非主流出品 | AI科技大本营（公众号ID：rgznai100）ICLR 2019 的论文提交已经截止。根据官方消息，本届大会共收到近 1600 篇投稿，相比 ...
ICML 2022 不求甚解阅读笔记--强化学习类（1）
kiding_k的专栏
09-01 576
对ICML2022论文进行简要解读
强化学习&基础1.4 | reward奖励
ASKCOS博客
04-14 7605
智能体的目标是最大化期望累计奖励 我们把在时间t的回报定义为Gt，在t时间的时候智能体会选择动作At来使期望Gt最大化。通常智能体无法完全肯定地预测未来的奖励怎么样，他必须依赖于预测和估算 我们可以给公式乘上折扣率，来表示对未来回报的关注度，当gama靠近0表示只关注与眼前的利益，当gamma靠近1表示 对未来的回报和当前回报一样地注重。这在连续性任务中是十分重要滴，因为没有停止点，折扣率防止...
如何提高强化学习效果？内在奖励和辅助任务
BAAIBeijing的博客
08-26 4424
如何能够提高强化学习效果？这是美国密西根大学教授Satinder Singh长期以来致力于解决的问题。在2020北京智源大会上，Satinder Singh教授对这个问题进行了深度阐释，...
强化学习、深度强化学习和基于内在动机的深度强化学习
qq_50626322的博客
09-18 2211
一、强化学习、深度强化学习和基于内在动机的深度强化学习，二、DRL经典探索方法，三、基于内在动机的深度强化学习探索方法，3.1 内在动机的背景，3.2 常用测试环境，3.3 基于计数的方法，3.4 基于知识的方法，3.5 基于能力的方法，四、 基于内在动机强化学习的应用研究，关键问题与发展方向
强化学习《奖励函数设计: Reward Shaping》详细解读
abcdefg90876的博客
09-07 2万+
深度强化学习实验室作者: 网易伏羲实验室编辑：DeepRL一、整体介绍在强化学习中，智能体的目标被形式化表征为一种特殊信号，称为收益，它通过环境传递给智能体。在每个时刻，收益都是一个单一...
【重磅最新】163篇ICML-2021强化学习领域论文整理汇总(2021.06.07)
深度强化学习实验室：一个“开源开放、共享共进”的强化学习学术组织。
06-07 9068
深度强化学习实验室官网：http://www.neurondance.com/论坛：http://deeprl.neurondance.com/作者：深度强化学习实验室来源：整理自http...
ICLR 2019会议笔记：算法公平性与强化学习研讨
笔记涵盖了会议的主要亮点、研讨会以及主题演讲，涉及多个领域的最新研究进展，包括算法公平性、强化学习、机器学习在气候科学和教育中的应用等。 1. 会议亮点： ICLR 2019汇集了全球顶尖的研究人员，讨论了深度...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值