会员服务
深度强化学习 (DRL) 是一种使用深度学习技术扩展传统强化学习方法的一种机器学习方法。 传统强化学习方法的主要任务是使得主体根据从环境中获得的奖赏能够学习到最大化奖赏的行为。然而，传统无模型强化学习方法需要使用函数逼近技术使得主体能够学习出值函数或者策略。在这种情况下，深度学习强大的函数逼近能力自然成为了替代人工指定特征的最好手段并为性能更好的端到端学习的实现提供了可能。
Enabling Deep Reinforcement Learning Research for Energy Saving in Open RAN
Arxiv
0+阅读 · 1月6日
Enabling Deep Reinforcement Learning Research for Energy Saving in Open RAN
Arxiv
0+阅读 · 1月5日
Higher-Order Action Regularization in Deep Reinforcement Learning: From Continuous Control to Building Energy Management
Arxiv
0+阅读 · 1月5日
Hybrid Motion Planning with Deep Reinforcement Learning for Mobile Robot Navigation
Arxiv
0+阅读 · 2025年12月31日
Deep Reinforcement Learning for Solving the Fleet Size and Mix Vehicle Routing Problem
Arxiv
0+阅读 · 2025年12月30日
ForestProtector: An IoT Architecture Integrating Machine Vision and Deep Reinforcement Learning for Efficient Wildfire Monitoring
Arxiv
0+阅读 · 2025年12月25日
Identifying Appropriately-Sized Services with Deep Reinforcement Learning
Arxiv
0+阅读 · 2025年12月23日
Recurrent Off-Policy Deep Reinforcement Learning Doesn't Have to be Slow
Arxiv
0+阅读 · 2025年12月23日
DRMD: Deep Reinforcement Learning for Malware Detection under Concept Drift
Arxiv
0+阅读 · 2025年11月14日
Backdoors in DRL: Four Environments Focusing on In-distribution Triggers
Arxiv
0+阅读 · 2025年12月12日
LocoMamba: Vision-Driven Locomotion via End-to-End Deep Reinforcement Learning with Mamba
Arxiv
0+阅读 · 2025年12月14日
Discovering autonomous quantum error correction via deep reinforcement learning
Arxiv
0+阅读 · 2025年11月16日
How to Brake? Ethical Emergency Braking with Deep Reinforcement Learning
Arxiv
0+阅读 · 2025年12月11日
Natural-gas storage modelling by deep reinforcement learning
Arxiv
0+阅读 · 2025年11月4日
An Introduction to Deep Reinforcement and Imitation Learning
Arxiv
0+阅读 · 2025年12月8日
参考链接
微信扫码咨询专知VIP会员
Top