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...

Full description

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
Description
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.