> ML_LITERATURE // MNIH-2015-HUMAN-LEVEL-CONTROL-DEEP-REINFORCEMENT-LEARNING-NATURE_v1.0
Human-level control through deep reinforcement learning (Nature DQN)
Volodymyr Mnih, Koray Kavukcuoglu, David Silver, Andrei A. Rusu, Joel Veness, Marc G. Bellemare, Alex Graves, Martin Riedmiller, Andreas K. Fidjeland, Georg Ostrovski, Stig Petersen, Charles Beattie, Sadik Sadik, Anton Antonoglou, Helen King, Dharshan Kumaran, Daan Wierstra, Shane Legg, Demis Hassabis · Nature (2015)
foundational2015foundationalthirdPartyReproduced
Temel Katkı (Principal Contribution)
Deneyim tekrarı ve hedef ağlara sahip derin Q-öğrenmeyi kullanarak doğrudan ham piksel girdilerinden 49 Atari oyununda insan düzeyinde performans elde etti.
Operasyonel ve Mühendislik Uygunluğu
Derin sinir ağlarının duyusal girdilerden karmaşık davranışsal politika kontrolünde ustalaşabileceğini kanıtlayan dönüm noktası Nature kapak makalesi.
Temel Varsayımlar (Assumptions)
- Deneyim tekrarı ardışık geçiş demetlerinin korelasyonunu keser; periyodik hedef ağ dondurmaları durağan olmayan Bellman hedeflerini stabilize eder
Kısıtlar ve Sınırlamalar (Limitations)
- Örneklem verimsiz (on milyonlarca kare gerektirdi); Q-değerlerini aşırı tahmin eder (Double DQN ile çözüldü)