مقاله ترجمه شده کنترل سطح انسانی از طریق یادگیری تقویتی عمیق

۱۲/۸۰۰ تومان

عنوان انگلیسی مقاله:
Human-level control through deep reinforcement learning
**********
عنوان فارسی مقاله: 
کنترل سطح انسانی از طریق یادگیری تقویتی عمیق
**********

تعداد صفحه مقاله اصلی (انگلیسی) : ۱۳ صفحه

تعداد صفحه مقاله ترجمه شده (فارسی) : ۲۰ صفحه

وضعیت ویرایش : کاملاً متن باز و قابل ویرایش

**********

توضیحات بیشتر در پایین صفحه

توضیحات

مقاله ترجمه شده کنترل سطح انسانی از طریق یادگیری تقویتی عمیق ( کنترل سطح انسانی یادگیری تقویتی عمیق )

تئوری یادگیری تقویت کننده یک حساب اصولی را ارائه می­دهد که بطور عمیق در رویکردهای روانشناختی. و عصب ­شناختی موجود در رفتار حیوانات ریشه دارد و این که عوامل چگونه می توانند محیط خود را بهینه کنترل کنند.

با این حال، یادگیری تقویتی به سرعت به پیچیدگی­های دنیای واقعی نزدیک شده و عوامل .با یک کار دشوار روبرو می‌شوند: آن‌ها باید نمایش‌های موثر در محیط را از ورودی‌های حسی با ابعاد بالا به دست آورند .و از این ورودی­ها برای تعمیم روی آزمایشات گذشته، استفاده کنند.

به طور قابل‌توجهی، انسان‌ها و دیگر حیوانات این مشکل را از طریق ترکیب هماهنگی .بین یادگیری تقویتی و سیستم‌های پردازش حسی بصورت سلسله مراتبی حل می‌کنند، نتایج بدست‌آمده با استفاده .از داده‌های عصبی نشان می‌دهد که اطلاعات مربوط به سیگنال‌های مغزی ارائه‌شده توسط .نورون‌های dopaminergic و الگوریتم های یادگیری تقویتی زمانی، قادر به موازی سازی نیستند.

در حالی که عوامل یادگیری تقویتی به موفقیت‌هایی در زمینه‌های مختلف دست یافته‌اند، اما کاربردپذیری آن‌ها قبلا محدود. به حوزه‌هایی بوده‌است که در آن ویژگی‌های مفید می­توانستند دستکاری، یا در حوزه‌هایی با .فضای حالت سطح پایین قابل‌مشاهده باشند.

کنترل سطح انسانی یادگیری تقویتی عمیق

در اینجا ما از پیشرفت‌های اخیر در آموزش شبکه‌های عصبی عمیق برای توسعه یک عامل مصنوعی جدید استفاده می‌کنیم. که Q-network عمیق نامیده می‌شود و می‌تواند سیاست‌های موفق را به طور مستقیم .با استفاده از یادگیری تقویتی چند بعدی به طور مستقیم آموزش ببیند.

ما این عامل را در حوزه چالش برانگیز بازی­های Atari 2600 به کار بردیم و نشان می‌دهیم .که عامل اصلی Q-network، تنها پیکسل ها و امتیاز بازی را به عنوان ورودی دریافت کرده و  با استفاده از الگوریتم، معماری .شبکه یکسان و پارامترهای فوق­العاده قادر به پیشی گرفتن از عملکرد الگوریتم­های ارائه شده در گذشته بوده و قابلیت رسیدن. به یک سطح قابل‌مقایسه با اجرای یک تستر بازی‌های حرفه‌ای انسانی در بین مجموعه‌ای از ۴۹ بازی را دارا می‌باشد.

این کار شکافی را در بین ورودی ها و اقدامات حساس با ابعاد بزرگ به وجود می آورد، در نتیجه اولین عامل مصنوعی می باشد. که قادر به یادگیری برای پیشرفت در مجموعه ای متنوع از وظایف چالش برانگیز است.

دانلود مقاله ترجمه شده مقاله ترجمه شده کنترل سطح انسانی از طریق یادگیری تقویتی عمیق

کنترل سطح انسانی یادگیری تقویتی عمیق

Human-level control through deep reinforcement learning

The theory ofreinforcementlearning provides a normative account 1 , deeply rooted in. psychological 2 and neuroscientific3 perspectives on animal behaviour, .of how agents may optimize their control of an environment.

Touse reinforcementlearning successfully insituations approaching real-world complexity,. however, agents are confronted with a difficulttask

they must derive efficientrepresentations ofthe environment from high-dimensional. sensory inputs, and use these to generalize past experience tonewsituations.

Remarkably, humans and other animalsseem to solve this problem through a harmonious combination ofreinforcementlearning andhierarchicalsensoryprocessing systems 4,5 , the former evidenced by a wealth of neural data revealingnotableparallelsbetweenthe phasic signals emittedbydopaminergic neurons and temporal difference reinforcement learning algorithms 3 .

کنترل سطح انسانی یادگیری تقویتی عمیق

While reinforcementlearning agents have achievedsome successesina variety of domains 6–۸ ,their applicability has previously beenlimited to domainsinwhich usefulfeatures can be handcrafted, or to domains with fully observed, low-dimensional state spaces.

Here we use recent advancesin training deep neural networks 9–۱۱ to develop a novel artificial agent, termed a deep Q-network, that can learnsuccessfulpoliciesdirectly fromhigh-dimensionalsensory inputs using end-to-end reinforcement learning.

We tested this agent on the challenging domain of classic Atari 2600 games 12.

We demonstrate that the deep Q-network agent, receiving only the pixels and the game score as inputs, was able to surpass the performance of all previous algorithms and achieve a level comparable to that of a professional humangamestester across a set of 49 games,using the same algorithm, network architecture and hyperparameters.

This work bridges the divide between high-dimensional sensory inputs and actions,resulting in the first artificial agent that is capable of learning to excel at a diverse array of challenging tasks.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “مقاله ترجمه شده کنترل سطح انسانی از طریق یادگیری تقویتی عمیق”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

+ 70 = 76

این سایت از اکیسمت برای کاهش هرزنامه استفاده می کند. بیاموزید که چگونه اطلاعات دیدگاه های شما پردازش می‌شوند.