هوش مصنوعی
GARDEN می‌خواهد پاداش‌های چندعاملی را در محیط‌های گوناگون قابل‌استفاده کند
پیش‌چاپی در arXiv چارچوبی برای طراحی پاداش در یادگیری تقویتی چندعاملی معرفی می‌کند؛ رویکردی که هدفش کاهش بازطراحی پاداش‌ها با تغییر محیط یا گروه عامل‌هاست.
در یادگیری تقویتی چندعاملیِ مشارکتی، عامل‌هایی مانند ربات‌ها یا خودروهای خودران برای هماهنگی آموزش می‌بینند، اما رفتار آموخته‌شده تا حد زیادی به تابع پاداش وابسته است. از آنجا که موفقیت در انجام وظیفه به‌تنهایی راهنمای کافی برای یادگیری نیست، معمولاً پاداش‌های میانی را دستی طراحی می‌کنند؛ کاری که با تغییر محیط یا گروه عامل‌ها ممکن است نیاز به تکرار داشته باشد.
پژوهشگران در پیش‌چاپ GARDEN، مخفف «طراحی عمومی و خودکار پاداش از راه پیمایش شواهد»، رویکردی برای استفادهٔ دوباره از پاداش‌ها در موقعیت‌های مختلف پیشنهاد می‌کنند. به‌گفتهٔ چکیده، مدل‌های زبانی بزرگ می‌توانند نوشتن تابع پاداش به‌شکل کد را خودکار کنند، اما پاداش‌های حاصل معمولاً در یک محیط طراحی و آزمایش می‌شوند. متن در دسترس جزئیات سازوکار GARDEN یا نتایج ارزیابی آن را بیان نمی‌کند.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗