Transfer learning in reinforcement learning for image-based environments: An image to image translation approach
Los algoritmos de aprendizaje por refuerzo permiten a los humanos crear agentes capaces de interactuar de manera inteligente con una variedad de entornos. Sin embargo, debido a la falta de generalización de estos algoritmos, los agentes entrenados fallan en las tareas relacionadas. Este problema es...
- Autores:
-
Sosa Flórez, Juan Sebastian
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2019
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- eng
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/44926
- Acceso en línea:
- http://hdl.handle.net/1992/44926
- Palabra clave:
- Aprendizaje por refuerzo (Aprendizaje automático)
Ingeniería
- Rights
- openAccess
- License
- https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
Summary: | Los algoritmos de aprendizaje por refuerzo permiten a los humanos crear agentes capaces de interactuar de manera inteligente con una variedad de entornos. Sin embargo, debido a la falta de generalización de estos algoritmos, los agentes entrenados fallan en las tareas relacionadas. Este problema es aún más evidente en entornos basados en imágenes, como los videojuegos, donde un agente entrenado en un nivel no puede jugar el siguiente nivel del juego. Para abordar este problema, proponemos un método basado en la traducción de imagen a imagen que nos permite recuperar el conocimiento clave de un agente capacitado en una tarea de origen y usarlo para acelerar y mejorar la capacitación en la tarea de destino. Validamos nuestro método en el entorno super Mario Bros que se ejecuta en el kit de herramientas OpenAI Gym. Usamos el primer y segundo nivel del juego como tareas de origen y destino respectivamente. |
---|