Bayesian Reinforcement Learning: A Survey
Bayes'sche Methoden für maschinelles Lernen sind weithin erforscht worden und haben zu prinzipiellen Methoden für die Einbeziehung von Vorabinformationen in Inferenzalgorithmen geführt. Diese Monographie bietet dem Leser einen ausführlichen Überblick über die Rolle der Bayes'schen Methoden für das Paradigma des Reinforcement Learning (RL).
Die wichtigsten Anreize für die Einbeziehung von Bayes'schem Denken in RL sind, dass es einen eleganten Ansatz für die Handlungsauswahl (Exploration/Ausbeutung) in Abhängigkeit von der Ungewissheit beim Lernen bietet, und dass es einen Mechanismus zur Einbeziehung von Vorwissen in die Algorithmen bereitstellt. Bayesian Reinforcement Learning: A Survey erörtert zunächst Modelle und Methoden für Bayes'sche Inferenz im einfachen einstufigen Bandit-Modell. Anschließend wird die umfangreiche neuere Literatur zu Bayes'schen Methoden für modellbasiertes RL besprochen, bei denen Vorabinformationen über die Parameter des Markov-Modells ausgedrückt werden können.
Es werden auch Bayes'sche Methoden für modellfreies RL vorgestellt, bei denen die Prioritäten über die Wertfunktion oder die Politikklasse ausgedrückt werden. Bayesian Reinforcement Learning: A Survey“ ist ein umfassendes Nachschlagewerk für Studenten und Forscher, die sich für Bayes'sche RL-Algorithmen und deren theoretische und empirische Eigenschaften interessieren.
| ISBN: | 9781680830880 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
