抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
マルチエージェント強化学習における探索は,特にスパース報酬を有する環境において,挑戦的な問題である。エージェント間の経験共有による効率的な探索のための一般的方法を提案した。Shared Experience Actor-Crit(SEAC)と呼ばれる提案アルゴリズムは,アクター-批評フレームワークにおける経験共有を適用する。スパース報酬マルチエージェント環境の収集におけるSEACを評価し,それは,より少ないステップで学習し,より高いリターンに収束することにより,2つのベースラインと2つの最先端アルゴリズムよりも一貫して優れていることを見出した。いくつかのより硬い環境において,経験共有は,タスクを解決して,すべてで学習しない学習の間の差異を作った。【JST・京大機械翻訳】