行動の学習:最良の次の活動を推奨するための強化学習アプローチ【JST・京大機械翻訳】

Branchi Stefano; Di Francescomarino Chiara; Ghidini Chiara; Massimo David; Ricci Francesco; Ronzani Massimiliano

プレプリント

J-GLOBAL ID：202202206813744564 整理番号：22P0312048

行動の学習:最良の次の活動を推奨するための強化学習アプローチ【JST・京大機械翻訳】

Learning to act: a Reinforcement Learning approach to recommend the best next activities

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2022年03月29日プレプリントサーバーでの情報更新日： 2022年06月15日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

プロセスデータアベイラビリティの上昇は,最近,データ駆動学習手法の開発につながった。しかし,これらのアプローチの大部分は,進行中のプロセス実行の将来を予測するために学習モデルの使用を制限する。この論文の目的は,最適戦略(性能の測定)から導かれた推薦を持つユーザを支援することによって,行動を学習するために利用可能なデータを前進させ,活用するステップを移動することである。著者らは,1つのプロセスアクターの最適化展望を取り上げ,次に,外因性因子に制御がない複雑な外部環境において起こるものに応じて,次の実行に最良の活動を推薦する。この目的のために,過去の実行の観測から最適な政策であるReinforcement Learningによって学習するアプローチを検討し,関心の鍵性能Indicatorを最適化するための最良の活動を推奨した。このアプローチの有効性を,実生活データから得た2つのシナリオで実証した。【JST・京大機械翻訳】

, , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能

, , , ,

前のページに戻る