龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：渊慧科技有限公司
申请日：2019-02-05
公开（公告）日：2024-06-18
公开（公告）号：CN118211640A
主分类号：G06N3/098
分类号：G06N3/098;G06N3/092;G06N3/045;G06N3/0442;G06N3/0464
优先权：["20180205 US 62/626,643"]
专利状态码：在审-公开
法律状态：2024.06.18#公开
摘要：方法、系统和装置，包括编码在计算机存储介质上的计算机程序，用于训练动作选择神经网络，该动作选择神经网络用于选择要由与环境交互的智能体执行的动作。在一个方面，一种系统包括多个行动者计算单元和多个学习者计算单元。行动者计算单元生成经验元组轨迹，学习者计算单元使用该经验元组轨迹来利用强化学习技术更新学习者动作选择神经网络参数。强化学习技术可以是异策略行动者‑评价者强化学习技术。
主权项：1.一种由一个或多个计算机执行的方法，所述方法包括：联合地训练动作选择神经网络和状态值神经网络，其中：动作选择神经网络被配置为根据一组动作选择神经网络参数的当前值来处理环境的观察，以生成定义能够由智能体执行以与环境交互的一组动作上的得分分布的输出；状态值神经网络被配置为处理包括环境的观察的输入，以生成该观察的状态值，该状态值定义从由观察表示的环境的状态开始，通过使用由该组动作选择神经网络参数的当前值定义的当前动作选择策略来选择动作而将由智能体接收的累积反馈值的估计；所述训练包括：获得异策略轨迹，该异策略轨迹表征当智能体执行根据与当前动作选择策略不同的异策略动作选择策略而选择的动作时，在时间步骤序列上智能体与环境的交互；在异策略轨迹上训练状态值神经网络，包括：确定状态值目标，该状态值目标定义状态值神经网络的预测目标，其中，状态值目标是以下项的组合：i异策略轨迹中的第一观察的状态值；以及ii校正项，其考虑当前动作选择策略和异策略动作选择策略之间的差异；训练状态值神经网络以减小状态值目标与由状态值神经网络通过处理异策略轨迹中的第一观察生成的状态值之间的差异；以及使用状态值神经网络在异策略轨迹上训练动作选择神经网络。
全文数据：
权利要求：
百度查询： 渊慧科技有限公司 使用异策略行动者-评价者强化学习进行分布式训练
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号