ترجمه فارسی مقاله دستگاه های پاداش حداکثر مجاز

چکیده

Reward machines allow the definition of rewards for temporally extended tasks and behaviors. Specifying “informative” reward machines can be challenging. One way to address this is to generate reward machines from a high-level abstract description of the learning environment, using techniques such as AI planning. However, previous planning-based approaches generate a reward machine based on a single (sequential or partial-order) plan, and do not allow maximum flexibility to the learning agent. In this paper we propose a new approach to synthesising reward machines which is based on the set of partial order plans for a goal. We prove that learning using such “maximally permissive” reward machines results in higher rewards than learning using RMs based on a single plan. We present experimental results which support our theoretical claims by showing that our approach obtains higher rewards than the single-plan approach in practice.

چکیده به فارسی (ترجمه ماشینی)

دستگاه های پاداش می توانند تعریف پاداش را برای کارهای و رفتارهای طولانی مدت انجام دهند.مشخص کردن ماشین های پاداش “آموزنده” می تواند چالش برانگیز باشد.یکی از راه های پرداختن به این امر ، تولید ماشین های پاداش از توضیحات انتزاعی سطح بالا از محیط یادگیری ، با استفاده از تکنیک هایی مانند برنامه ریزی AI است.با این حال ، رویکردهای مبتنی بر برنامه ریزی قبلی یک دستگاه پاداش را بر اساس یک برنامه واحد (متوالی یا مرتبه جزئی) ایجاد می کنند و حداکثر انعطاف پذیری را به عامل یادگیری نمی دهند.در این مقاله ما یک رویکرد جدید برای سنتز ماشین های پاداش ارائه می دهیم که مبتنی بر مجموعه برنامه های سفارش جزئی برای یک هدف است.ما ثابت می کنیم که یادگیری با استفاده از چنین دستگاه های پاداش “حداکثر مجاز” منجر به پاداش بالاتر از یادگیری استفاده از RMS بر اساس یک برنامه واحد می شود.ما نتایج تجربی را ارائه می دهیم که با نشان دادن اینکه رویکرد ما در عمل پاداش های بالاتری کسب می کند ، از ادعاهای نظری ما پشتیبانی می کند.