اکسپرس 24
ترجمه فارسی مقاله یادگیری تقویتی ترکیبی موانع اندازه نمونه در MDP های خطی را از بین می‌برد

ترجمه فارسی مقاله یادگیری تقویتی ترکیبی موانع اندازه نمونه در MDP های خطی را از بین می‌برد

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 Hybrid Reinforcement Learning Breaks Sample Size Barriers in Linear MDPs
عنوان مقاله به فارسی یادگیری تقویتی ترکیبی موانع اندازه نمونه در MDP های خطی را از بین می‌برد
نویسندگان Kevin Tan, Wei Fan, Yuting Wei
فرمت مقاله انگلیسی PDF
تعداد صفحات 37
دسته بندی موضوعات Machine Learning,Machine Learning,یادگیری ماشین , یادگیری ماشین ,
توضیحات Submitted 8 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 8 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 1,480,000 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

Hybrid Reinforcement Learning (RL), where an agent learns from both an offline dataset and online explorations in an unknown environment, has garnered significant recent interest. A crucial question posed by Xie et al. (2022) is whether hybrid RL can improve upon the existing lower bounds established in purely offline and purely online RL without relying on the single-policy concentrability assumption. While Li et al. (2023) provided an affirmative answer to this question in the tabular PAC RL case, the question remains unsettled for both the regret-minimizing RL case and the non-tabular case. In this work, building upon recent advancements in offline RL and reward-agnostic exploration, we develop computationally efficient algorithms for both PAC and regret-minimizing RL with linear function approximation, without single-policy concentrability. We demonstrate that these algorithms achieve sharper error or regret bounds that are no worse than, and can improve on, the optimal sample complexity in offline RL (the first algorithm, for PAC RL) and online RL (the second algorithm, for regret-minimizing RL) in linear Markov decision processes (MDPs), regardless of the quality of the behavior policy. To our knowledge, this work establishes the tightest theoretical guarantees currently available for hybrid RL in linear MDPs.

چکیده به فارسی (ترجمه ماشینی)

یادگیری تقویت کننده ترکیبی (RL) ، جایی که یک عامل از یک مجموعه داده آفلاین و اکتشافات آنلاین در یک محیط ناشناخته یاد می گیرد ، علاقه مهمی را به خود جلب کرده است.یک سوال اساسی که توسط شی و همکاران مطرح شده است.(2022) این است که آیا RL هیبریدی می تواند بر مرزهای پایین موجود ایجاد شده در RL کاملاً آفلاین و صرفاً آنلاین بدون تکیه بر فرض غلظت تک خطی بهبود یابد.در حالی که لی و همکاران.(2023) در مورد جدولی PAC RL ، پاسخ مثبت به این سؤال ارائه داد ، این سؤال برای هر دو مورد RL با پشیمانی و مورد غیر تابلویی حل نشده است.در این کار ، با ایجاد پیشرفت های اخیر در اکتشافات آفلاین RL و اکتشافات پاداش-آگنوستیک ، ما الگوریتم های محاسباتی کارآمد را برای PAC و RL با پشیمانی با ابراز پشیمانی با تقریب عملکرد خطی ، بدون غلظت تک سیاست ایجاد می کنیم.ما نشان می دهیم که این الگوریتم ها به خطای واضح تر یا پشیمانی می رسند که بدتر از آن نیستند و می توانند پیچیدگی بهینه نمونه در RL آفلاین (الگوریتم اول ، برای PAC RL) و RL آنلاین (الگوریتم دوم ، برای ناسازگاری ناسازگار ، بهبود یابد.RL) در فرآیندهای تصمیم گیری خطی مارکوف (MDP) ، صرف نظر از کیفیت سیاست رفتار.به دانش ما ، این کار محکم ترین ضمانت های نظری را که در حال حاضر برای RL ترکیبی در MDP های خطی موجود است ، تعیین می کند.

📚 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.