اکسپرس 24
ترجمه فارسی مقاله گسسته‌سازی فضای عمل پیوسته با توزیع‌های احتمال تک‌وجهی برای یادگیری تقویتی درون‌خطی

ترجمه فارسی مقاله گسسته‌سازی فضای عمل پیوسته با توزیع‌های احتمال تک‌وجهی برای یادگیری تقویتی درون‌خطی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Discretizing Continuous Action Space with Unimodal Probability Distributions for On-Policy Reinforcement Learning
عنوان مقاله به فارسی گسسته‌سازی فضای عمل پیوسته با توزیع‌های احتمال تک‌وجهی برای یادگیری تقویتی درون‌خطی
نویسندگان Yuanyang Zhu, Zhi Wang, Yuanheng Zhu, Chunlin Chen, Dongbin Zhao
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 1 August, 2024; originally announced August 2024. , Comments: IEEE Transactions on Neural Networks and Learning Systems
توضیحات به فارسی ارسال شده در 1 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: معاملات IEEE در شبکه های عصبی و سیستم های یادگیری

قیمت: 19,000 تومان

دانلود مقاله اصل انگلیسی + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 99,000 تومان

سفارش + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی و ترجمه کامل آن، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 520,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

For on-policy reinforcement learning, discretizing action space for continuous control can easily express multiple modes and is straightforward to optimize. However, without considering the inherent ordering between the discrete atomic actions, the explosion in the number of discrete actions can possess undesired properties and induce a higher variance for the policy gradient estimator. In this paper, we introduce a straightforward architecture that addresses this issue by constraining the discrete policy to be unimodal using Poisson probability distributions. This unimodal architecture can better leverage the continuity in the underlying continuous action space using explicit unimodal probability distributions. We conduct extensive experiments to show that the discrete policy with the unimodal probability distribution provides significantly faster convergence and higher performance for on-policy reinforcement learning algorithms in challenging control tasks, especially in highly complex tasks such as Humanoid. We provide theoretical analysis on the variance of the policy gradient estimator, which suggests that our attentively designed unimodal discrete policy can retain a lower variance and yield a stable learning process.

چکیده به فارسی (ترجمه ماشینی)

برای یادگیری تقویت کننده در سیاست ، گسسته کردن فضای عمل برای کنترل مداوم می تواند به راحتی چندین حالت را بیان کند و برای بهینه سازی ساده است.با این حال ، بدون در نظر گرفتن ترتیب ذاتی بین اقدامات اتمی گسسته ، انفجار در تعداد اقدامات گسسته می تواند دارای خواص ناخواسته باشد و واریانس بالاتری را برای برآوردگر شیب سیاست ایجاد کند.در این مقاله ، ما یک معماری ساده را معرفی می کنیم که با محدود کردن خط مشی گسسته با استفاده از توزیع احتمال پواسون ، این مسئله را به این موضوع می پردازد.این معماری UNIMODAL می تواند با استفاده از توزیع های احتمال غیرعادی صریح ، از تداوم در فضای عمل مداوم اساسی استفاده کند.ما آزمایش های گسترده ای را انجام می دهیم تا نشان دهیم که سیاست گسسته با توزیع احتمال غیرمعمول ، همگرایی سریعتر و عملکرد بالاتر برای الگوریتم های یادگیری تقویت کننده در سیاست را در کارهای کنترل چالش برانگیز ، به ویژه در کارهای بسیار پیچیده مانند انسان دوستانه فراهم می کند.ما تجزیه و تحلیل نظری را در مورد واریانس برآوردگر شیب خط مشی ارائه می دهیم ، که نشان می دهد سیاست گسسته ای غیرعادی با دقت طراحی شده ما می تواند واریانس کمتری را حفظ کرده و یک فرایند یادگیری پایدار را به دست آورد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.