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。
実証行動に基づく政策を純粋に学習することは,強化信号へのアクセスがなく,遷移動力学の知識がなく,環境との相互作用もしない。この×制限的バッチ模倣学習*問題は,ヘルスケアのような生存実験が高価である。1つの解決策は,オフライン設定で働くために,アプリケーション学習のための既存のアルゴリズムを単純に改造することである。しかし,そのようなアプローチは,オフポリシー評価またはオフラインモデル推定に重くなり,間接的で非効率的である。良好な解は,ポリシー(すなわち,行動条件付け)を明示的にパラメータ化し,ロールアウトダイナミクス(即ち,レバーグ状態限界)から暗黙的に学習し,完全にオフライン方式で-巡回的に操作するべきであると主張する。この課題に取り組むために,著者らは,エネルギーベースの分布マッチング*(EDM)による新しい技術を提案する:状態分布のための(生成)エネルギー関数による政策の(識別)モデルのパラメータ化を同定することによって,EDMは,デモンストレータのための占有測度とイミテータのためのモデルの間の発散を等価的に最小化する単純だが効果的な解を与える。制御および健康管理設定への応用による実験を通して,厳密なバッチ模倣学習のための既存のアルゴリズムに対する一貫した性能利得を例示した。【JST・京大機械翻訳】