ترجمه فارسی مقاله Curling the Dream: بازنمایی‌های مقابله‌ای برای مدل‌سازی جهان در یادگیری تقویتی

چکیده

In this work, we present Curled-Dreamer, a novel reinforcement learning algorithm that integrates contrastive learning into the DreamerV3 framework to enhance performance in visual reinforcement learning tasks. By incorporating the contrastive loss from the CURL algorithm and a reconstruction loss from autoencoder, Curled-Dreamer achieves significant improvements in various DeepMind Control Suite tasks. Our extensive experiments demonstrate that Curled-Dreamer consistently outperforms state-of-the-art algorithms, achieving higher mean and median scores across a diverse set of tasks. The results indicate that the proposed approach not only accelerates learning but also enhances the robustness of the learned policies. This work highlights the potential of combining different learning paradigms to achieve superior performance in reinforcement learning applications.

چکیده به فارسی (ترجمه ماشینی)

در این کار ، ما یک الگوریتم یادگیری تقویت کننده جدید را ارائه می دهیم که یادگیری متضاد را در چارچوب Dreamerv3 ادغام می کند تا عملکرد در کارهای یادگیری تقویت بصری را تقویت کند.با درج ضرر متضاد از الگوریتم CURL و از دست دادن بازسازی از AutoEncoder ، Drelad-Dreamer به پیشرفت های قابل توجهی در کارهای مختلف مجموعه کنترل DeepMind می رسد.آزمایش های گسترده ما نشان می دهد که راننده فرفری به طور مداوم از الگوریتم های پیشرفته بهتر عمل می کند ، و به نمرات متوسط ​​و متوسط ​​بالاتر در مجموعه متنوعی از کارها می رسد.نتایج نشان می دهد که رویکرد پیشنهادی نه تنها یادگیری را تسریع می کند بلکه باعث تقویت استحکام سیاست های آموخته می شود.این کار پتانسیل ترکیب پارادایم های مختلف یادگیری را برای دستیابی به عملکرد برتر در برنامه های یادگیری تقویت کننده برجسته می کند.