会员服务
强化学习（RL）是机器学习的一个领域，与软件代理应如何在环境中采取行动以最大化累积奖励的概念有关。除了监督学习和非监督学习外，强化学习是三种基本的机器学习范式之一。 强化学习与监督学习的不同之处在于，不需要呈现带标签的输入/输出对，也不需要显式纠正次优动作。相反，重点是在探索（未知领域）和利用（当前知识）之间找到平衡。 该环境通常以马尔可夫决策过程（MDP）的形式陈述，因为针对这种情况的许多强化学习算法都使用动态编程技术。经典动态规划方法和强化学习算法之间的主要区别在于，后者不假设MDP的确切数学模型，并且针对无法采用精确方法的大型MDP。
Realistic Market Impact Modeling for Reinforcement Learning Trading Environments
Arxiv
0+阅读 · 3月30日
Realistic Market Impact Modeling for Reinforcement Learning Trading Environments
Arxiv
0+阅读 · 4月4日
Addressing Performance Saturation for LLM RL via Precise Entropy Curve Control
Arxiv
0+阅读 · 4月29日
Periodic Asynchrony: An On-Policy Approach for Accelerating LLM Reinforcement Learning
Arxiv
0+阅读 · 4月28日
Task-Specified Compliance Bounds for Humanoids via Lipschitz-Constrained Policies
Arxiv
0+阅读 · 3月20日
A Comparative Study of Dynamic Programming and Reinforcement Learning in Finite Horizon Dynamic Pricing
Arxiv
0+阅读 · 4月15日
Demystifying Reinforcement Learning for Long-Horizon Tool-Using Agents: A Comprehensive Recipe
Arxiv
0+阅读 · 3月23日
Experience is the Best Teacher: Motivating Effective Exploration in Reinforcement Learning for LLMs
Arxiv
0+阅读 · 3月20日
A General Control-Theoretic Approach for Reinforcement Learning: Theory and Algorithms
Arxiv
0+阅读 · 3月31日
Maximum Entropy Behavior Exploration for Sim2Real Zero-Shot Reinforcement Learning
Arxiv
0+阅读 · 3月26日
RTLSeek: Boosting the LLM-Based RTL Generation with Multi-Stage Diversity-Oriented Reinforcement Learning
Arxiv
0+阅读 · 3月29日
LATS: Large Language Model Assisted Teacher-Student Framework for Multi-Agent Reinforcement Learning in Traffic Signal Control
Arxiv
0+阅读 · 3月25日
Cooperative Deep Reinforcement Learning for Fair RIS Allocation
Arxiv
0+阅读 · 3月26日
An Information-Theoretic Analysis of OOD Generalization in Meta-Reinforcement Learning
Arxiv
0+阅读 · 4月6日
From $P(y|x)$ to $P(y)$: Investigating Reinforcement Learning in Pre-train Space
Arxiv
0+阅读 · 4月15日
参考链接
维基百科
微信扫码咨询专知VIP会员
Top