文献

J-GLOBAL ID：202202215422644436   整理番号：22A1101343

マルチタスク強化学習のための適応多因子進化的最適化【JST・京大機械翻訳】

Adaptive Multifactorial Evolutionary Optimization for Multitask Reinforcement Learning

著者 (4件)： Martinez Aritz D. (TECNALIA, Basque Research & Technology Alliance, Bizkaia, Spain) ,  Del Ser Javier (TECNALIA, Basque Research & Technology Alliance, Bizkaia, Spain) ,  Osaba Eneko (TECNALIA, Basque Research & Technology Alliance, Bizkaia, Spain) ,  Herrera Francisco (Andalusian Research Institute in Data Science and Computational Intelligence, University of Granada, Granada, Spain)
資料名： IEEE Transactions on Evolutionary Computation  (IEEE Transactions on Evolutionary Computation)
巻： 26  号： 2  ページ： 233-247  発行年： 2022年 
JST資料番号： W0968A  ISSN： 1089-778X  CODEN： ITEVF5  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 進化的計算は,様々な機械学習タスク,特に教師なし(クラスタリング)と教師つき学習に関連するものにおいて,従来の学習アルゴリズムを補完する可能性を大きく示した。進化ソルバの計算効率が訓練強化学習モデルに対して前向きに置かれているとき,それは遅れて来なかった。しかしながら,この文脈の中でこれまでフレーム化されたほとんどの研究は,関連タスク間の知識の交換なしに,隔離で想像された環境とタスクを考慮している。本論文では,A-MFEA-RL,その探索と遺伝演算子がマルチタスク強化学習環境に対して調整されるよく知られたMFEAアルゴリズムの適応バージョンを提示した。特に,著者らのアプローチは,現代の深層学習ベースの強化学習モデルの多層構造に依存する,遺伝的材料の交換を精製するための交差と継承機構を含む。提案アプローチの性能を評価するために,A-MFEA-RLの性能を,代替非進化的マルチタスク強化学習アプローチによって与えられるものと比較する,様々なレベルの複雑度の多重強化学習環境から成る広範な実験装置を設計した。得られた結果の議論から結論として,A-MFEA-RLは,同時に取り組んだタスクに対して競合成功率を達成するだけでなく,相乗的関係の程度を保つために直感的に期待されるタスク間の知識の交換を助長する。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  学習モデル ,  遺伝 ,  クラスタ化 ,  教師つき学習 ,  多重化 ,  多層構造 ,  *計算機処理方式 ,  モデル ,  機械学習 ,  *強化学習 ,  学習アルゴリズム
準シソーラス用語： 計算効率 ,  ソルバ ,  *マルチタスク ,  深層学習 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： マルチタスク ,  強化学習 ,  適応 ,  進化的最適化