Busca avançada
Ano de início
Entree


A Framework to Discover and Reuse Object-Oriented Options in Reinforcement Learning

Texto completo
Autor(es):
Bonini, Rodrigo Cesar ; Da Silva, Felipe Leno ; Glatt, Ruben ; Spina, Edison ; Reali Costa, Anna Helena ; IEEE
Número total de Autores: 6
Tipo de documento: Artigo Científico
Fonte: 2018 7TH BRAZILIAN CONFERENCE ON INTELLIGENT SYSTEMS (BRACIS); v. N/A, p. 6-pg., 2018-01-01.
Resumo

Reinforcement Learning is a successful yet slow technique to train autonomous agents. Option-based solutions can be used to accelerate learning and to transfer learned behaviors across tasks by encapsulating a partial policy. However, commonly these options are specific for a single task, do not take in account similar features between tasks and may not correspond exactly to an optimal behavior when transferred to another task. Therefore, unprincipled transfer might provide bad options to the agent, hampering the learning process. We here propose a way to discover and reuse learned object-oriented options in a probabilistic way in order to enable better actuation choices to the agent in multiple different tasks. Our experimental evaluation show that our proposal is able to learn and successfully reuse options across different tasks. (AU)

Processo FAPESP: 16/21047-3 - ALIS: Aprendizado Autônomo em Sistemas Inteligentes
Beneficiário:Anna Helena Reali Costa
Modalidade de apoio: Auxílio à Pesquisa - Regular
Processo FAPESP: 15/16310-4 - Transferência de Conhecimento no Aprendizado por Reforço em Sistemas Multiagentes
Beneficiário:Felipe Leno da Silva
Modalidade de apoio: Bolsas no Brasil - Doutorado
Processo FAPESP: 18/00344-5 - Reusando soluções de tarefas prévias em aprendizado por reforço multiagente
Beneficiário:Felipe Leno da Silva
Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado