文献

J-GLOBAL ID：201302215943502588   整理番号：13A0160790

強化学習の最近の発展《第1回》強化学習の基礎

著者 (1件)： 木村元 (九大 大学院工学研究院)
資料名： 計測と制御  (Journal of the Society of Instrument and Control Engineers)
巻： 52  号： 1  ページ： 72-77  発行年： 2013年01月10日 
JST資料番号： F0131A  ISSN： 0453-4662  CODEN： KESEA  資料種別： 逐次刊行物 (A)
記事区分： 文献レビュー  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 強化学習とは,試行錯誤を通じて環境に適応する学習制御の枠組みである。教師付き学習と異なり,状態入力に対する正しい行動出力を明示的に示す教師が存在しない代わりに,一連の行動に対して結果としての良し悪しを評価する「報酬」というスカラーの評価値が与えられ,これを手がかりに学習を行うが,報酬や状態遷移には不確実性や時間的遅れがあるので,一般に行動を実行した直後の報酬をみるだけでは,学習主体はその行動の正否を判断できないという困難を伴う。強化学習では,環境のダイナミクスをマルコフ決定過程(MDP)によってモデル化し,学習アルゴリズムを解析するのが一般的である。本解説では,MDPモデルおよび代表的な強化学習法として知られるActor Critic法とQ学習を中心に理論的な基礎について解説する。

シソーラス用語： *強化学習 ,  基礎研究 ,  *基礎 ,  環境順応 ,  学習制御 ,  *試行錯誤学習 ,  Markov過程 ,  逐次近似 ,  *学習アルゴリズム ,  *インセンティブ
準シソーラス用語： *Actor Critic法 ,  *Markov決定過程 ,  *Q学習 ,  環境適応 ,  *反復法 ,  *報酬

分類 (2件)： システム設計・解析  (IA02030D) ,  人工知能  (JE08000Z)

引用文献 (7件)：

• BERTSEKAS, D. P. Neuro-Dynamic Programming. 1996
• KAKADE, S. A Natural Policy Gradient. Advances in Neural Information Processing Systems. 2002, 14, 1531-1538
• 木村元. ランダムタイリングと Gibbs-sampling を用いた多次元状態-行動空間における強化学習. 計測自動制御学会論文集. 2006, 42, 12, 1336-1343
• SUTTON, R. S. Reinforcement Learning : An Introduction, A Bradford Book. 1998
• SUTTON, R. S. Policy Gradient Methods for Reinforcement Learning with Function Approximation. Advances in Neural Information Processing Systems. 2000, 12-, NIPS12, 1057-1063

タイトルに関連する用語 (3件)： 強化学習 ,  発展 ,  基礎