ترجمه فارسی مقاله آموزش ترکیبی برای تعمیم چند وظیفه ای پیشرفته در یادگیری تقویتی چند عاملی

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 Training for Enhanced Multi-task Generalization in Multi-agent Reinforcement Learning
عنوان مقاله به فارسی آموزش ترکیبی برای تعمیم چند وظیفه ای پیشرفته در یادگیری تقویتی چند عاملی
نویسندگان Mingliang Zhang, Sichang Su, Chengyang He, Guillaume Sartoretti
فرمت مقاله انگلیسی PDF
تعداد صفحات 15
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Multiagent Systems,یادگیری ماشین , سیستم های چند منظوره ,
توضیحات Submitted 24 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 24 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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

In multi-agent reinforcement learning (MARL), achieving multi-task generalization to diverse agents and objectives presents significant challenges. Existing online MARL algorithms primarily focus on single-task performance, but their lack of multi-task generalization capabilities typically results in substantial computational waste and limited real-life applicability. Meanwhile, existing offline multi-task MARL approaches are heavily dependent on data quality, often resulting in poor performance on unseen tasks. In this paper, we introduce HyGen, a novel hybrid MARL framework, Hybrid Training for Enhanced Multi-Task Generalization, which integrates online and offline learning to ensure both multi-task generalization and training efficiency. Specifically, our framework extracts potential general skills from offline multi-task datasets. We then train policies to select the optimal skills under the centralized training and decentralized execution paradigm (CTDE). During this stage, we utilize a replay buffer that integrates both offline data and online interactions. We empirically demonstrate that our framework effectively extracts and refines general skills, yielding impressive generalization to unseen tasks. Comparative analyses on the StarCraft multi-agent challenge show that HyGen outperforms a wide range of existing solely online and offline methods.

چکیده به فارسی (ترجمه ماشینی)

در یادگیری تقویت چند عامل (MARL) ، دستیابی به تعمیم چند وظیفه به عوامل و اهداف متنوع ، چالش های قابل توجهی را نشان می دهد.الگوریتم های موجود در MARL آنلاین در درجه اول بر عملکرد تک وظیفه تمرکز می کنند ، اما عدم توانایی های تعمیم چند وظیفه آنها به طور معمول منجر به زباله های محاسباتی قابل توجهی و کاربرد زندگی واقعی می شود.در همین حال ، رویکردهای MARL چند کاره آفلاین موجود به شدت به کیفیت داده ها وابسته است ، که اغلب منجر به عملکرد ضعیف در کارهای غیب می شود.در این مقاله ، ما Hygen را معرفی می کنیم ، یک چارچوب جدید ترکیبی مارل ، آموزش ترکیبی برای تعمیم چند وظیفه ای پیشرفته ، که یکپارچه سازی آنلاین و آفلاین برای اطمینان از تعمیم چند وظیفه و راندمان آموزش است.به طور خاص ، چارچوب ما مهارت های عمومی بالقوه را از مجموعه داده های چند کاره آفلاین استخراج می کند.سپس ما سیاست هایی را برای انتخاب مهارت های بهینه تحت آموزش متمرکز و پارادایم اجرای غیرمتمرکز (CTDE) آموزش می دهیم.در این مرحله ، ما از یک بافر پخش مجدد استفاده می کنیم که هم داده های آفلاین و هم تعامل آنلاین را ادغام می کند.ما به طور تجربی نشان می دهیم که چارچوب ما به طور موثری مهارت های کلی را استخراج و اصلاح می کند ، و تعمیم چشمگیر در کارهای غیب به دست می آورد.تجزیه و تحلیل تطبیقی ​​در مورد چالش چند عامل StarCraft نشان می دهد که Hygen از طیف گسترده ای از روشهای موجود صرفاً آنلاین و آفلاین بهتر عمل 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.