分享资料个
模仿学习硏究如何从专家的决策数据中进行学习，以得到接近专家水准的决策模型。同样学习如何决策的强化学习往往只根据环境的评价式反馈进行学习，与之相比，模仿学习能从决策数据中获得更为直接的反馈。它可以分为行为克隆、基于逆向强化学习的模仿学习两类方法。基于逆向强化学习的模仿学习把模仿学习的过程分解成逆向强化学习和强化学习两个子过程，并反复迭代。逆向强化学习用于推导符合专家决策数据的奖赏函数，而强化学习基于该奖赏函数来学习策略。基于生成对抗网络的模仿学习方法从基于逆向强化学习的模仿学习发展而来，其中最早出现且最具代表性的是生成对抗模仿学习方法（ Generative Adversarial Imitation Learning，简称GAIL）。生成对抗网络由两个相对抗的神经网络构成，分别为判别器和生成器.GAL的特点是用生成对抗网络框架求解模仿学习问题，其中，判别器的训练过程可类比奖赏函数的学习过程，生成器的训练过程可类比策略的学习过程。与传统模仿学习方法相比，GA具有更好的鲁棒性、表征能力和计算效率。因此，它能够处理复杂的大规模问题，并可拓展到实际应用中然而，GA存在着模态崩塌、环境交互样本利用效率低等问题。最近，新的研究工作利用生成对抗网络技术和强化学习技术等分别对这些问题进行改进，并在观察机制、多智能体系统等方面对GAI进行了拓展。本文先介绍了GAL的主要思想及其优缺点，然后对GAIL的改进算法进行了归类、分析和对比，最后总结全文并探讨了可能的未来趋势。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
全部0条评论
快来发表一下你的评论吧 !
