Bayesian Reinforcement Learning: Przegląd

Oryginalny tytuł:

Bayesian Reinforcement Learning: A Survey

Zawartość książki:

Metody bayesowskie w uczeniu maszynowym były szeroko badane, co zaowocowało opracowaniem zasadniczych metod włączania wcześniejszych informacji do algorytmów wnioskowania. Niniejsza monografia dostarcza czytelnikowi dogłębnego przeglądu roli metod bayesowskich w paradygmacie uczenia ze wzmocnieniem (RL).

Główną zachętą do włączenia rozumowania bayesowskiego do RL jest to, że zapewnia ono eleganckie podejście do wyboru akcji (eksploracji/eksploatacji) jako funkcji niepewności w uczeniu się, a także zapewnia maszynę do włączania wcześniejszej wiedzy do algorytmów. Bayesian Reinforcement Learning: A Survey najpierw omawia modele i metody wnioskowania bayesowskiego w prostym jednoetapowym modelu Bandit. Następnie dokonano przeglądu obszernej najnowszej literatury na temat metod bayesowskich dla RL opartego na modelach, gdzie wcześniejsze informacje mogą być wyrażone na parametrach modelu Markowa.

Przedstawiono również metody bayesowskie dla RL bez modelu, w których priorytety są wyrażane na podstawie funkcji wartości lub klasy polityki. Bayesian Reinforcement Learning: A Survey jest kompleksowym źródłem informacji dla studentów i badaczy zainteresowanych bayesowskimi algorytmami RL oraz ich teoretycznymi i empirycznymi właściwościami.