Art

J-GLOBAL ID：201602212752649639   Reference number：16A0268997

Policy Gradient Reinforcement Learning with Separated Knowledge: Environmental Dynamics and Action-Values in Policies

方策に関する知識を分離した方策こう配法 -環境ダイナミクスと行動価値による方策表現-

Author (2)： ISHIHARA SEIJI (東京電機大学理工学部) ,  IGARASHI HARUKAZU (芝浦工業大学工学部)
Material： 電気学会論文誌 C  (IEEJ Transactions on Electronics, Information and Systems)
Volume： 136  Issue： 3  Page： 282-289 (J-STAGE)  Publication year： 2016 
JST Material Number： S0810A  ISSN： 0385-4221  Document type： Article
Article type： 原著論文  Country of issue： Japan (JPN)  Language： JAPANESE (JA)

Thesaurus term： *reinforcement learning ,  machine learning ,  *gradient method ,  objective function
Semi thesaurus term： transfer learning ,  *policy gradient method

JST classification (1)： Artificial intelligence  (JE08000Z)

Reference (24)：

• (1) R. S. Sutton and A. G. Barto: Reinforcement Learning, MIT Press, Cambridge (1998)
• (2) R. J. Williams: “Simple Statistical Gradient-following Algorithms for Connectionist Reinforcement Learning”, Machine Learning, Vol. 8, pp. 229-256 (1992)
• (3) H. Kimura, M. Yamamura, and S. Kobayashi: “Reinforcement Learning in Partially Observable Markov Decision Processes: A Stochastic Gradient Method”, Journal of the Japanese Society for Artificial Intelligence, Vol. 11, No. 5, pp. 761-768 (1996) (in Japanese)
• 木村 元・山村雅幸・小林重信:「部分観測マルコフ決定過程下での強化学習:確率的傾斜法による接近」,人工知能学会誌,Vol. 11, No. 5, pp. 761-768 (1996)
• (4) L. C. Baird and A. W. Moore: “Gradient Descent for General Reinforcement Learning”, Advances in Neural Information Processing Systems 11, MIT Press, pp. 968-974 (1999)

Terms in the title (8)： 方策 ,  知識 ,  こう配法 ,  環境 ,  ダイナミクス ,  行動 ,  価値 ,  表現