اکسپرس 24
ترجمه فارسی مقاله RVI-SAC: میانگین پاداش خارج از سیاست یادگیری تقویتی عمیق

ترجمه فارسی مقاله RVI-SAC: میانگین پاداش خارج از سیاست یادگیری تقویتی عمیق

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 RVI-SAC: Average Reward Off-Policy Deep Reinforcement Learning
عنوان مقاله به فارسی RVI-SAC: میانگین پاداش خارج از سیاست یادگیری تقویتی عمیق
نویسندگان Yukinari Hisaki, Isao Ono
فرمت مقاله انگلیسی PDF
تعداد صفحات 22
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 4 August, 2024; originally announced August 2024. , Comments: Accepted at ICML 2024; Code: https://github.com/yhisaki/average-reward-drl , MSC Class: 68T05 ACM Class: I.2.6
توضیحات به فارسی ارسال شده در 4 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: در ICML 2024 پذیرفته شده است.کد: https://github.com/yhisaki/averse-reward-drl ، MSC کلاس: 68T05 کلاس ACM: I.2.6

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: 880,000 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

In this paper, we propose an off-policy deep reinforcement learning (DRL) method utilizing the average reward criterion. While most existing DRL methods employ the discounted reward criterion, this can potentially lead to a discrepancy between the training objective and performance metrics in continuing tasks, making the average reward criterion a recommended alternative. We introduce RVI-SAC, an extension of the state-of-the-art off-policy DRL method, Soft Actor-Critic (SAC), to the average reward criterion. Our proposal consists of (1) Critic updates based on RVI Q-learning, (2) Actor updates introduced by the average reward soft policy improvement theorem, and (3) automatic adjustment of Reset Cost enabling the average reward reinforcement learning to be applied to tasks with termination. We apply our method to the Gymnasium's Mujoco tasks, a subset of locomotion tasks, and demonstrate that RVI-SAC shows competitive performance compared to existing methods.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله ، ما یک روش یادگیری تقویت کننده عمیق (DRL) خارج از سیاست را با استفاده از معیار پاداش متوسط ​​پیشنهاد می کنیم.در حالی که بیشتر روشهای DRL موجود از معیار پاداش تخفیف استفاده می کنند ، این به طور بالقوه می تواند منجر به اختلاف بین هدف آموزش و معیارهای عملکرد در ادامه کار شود ، و این معیار متوسط ​​پاداش را به یک جایگزین توصیه شده تبدیل می کند.ما RVI-SAC را ، گسترش روش پیشرفته DRL خارج از سیاست ، بازیگر نرم-انتقادی (SAC) ، به میانگین معیار پاداش معرفی می کنیم.پیشنهاد ما شامل (1) به روزرسانی های منتقد مبتنی بر یادگیری RVI Q ، (2) به روزرسانی های بازیگر معرفی شده توسط میانگین قضیه بهبود سیاست نرم پاداش ، و (3) تنظیم خودکار هزینه تنظیم مجدد می تواند میانگین یادگیری تقویت پاداش را برای اعمال استفاده کندوظایف با خاتمه.ما روش خود را در وظایف Mujoco Gymnasium ، زیر مجموعه ای از کارهای حرکتی اعمال می کنیم و نشان می دهیم که RVI-SAC عملکرد رقابتی را در مقایسه با روش های موجود نشان می دهد.

📚 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.