> ML_LITERATURE // MNIH-2015-HUMAN-LEVEL-CONTROL-THROUGH-DEEP-REINFORCEMENT-LEARNING-DQN_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)
seminal-architecture2015foundationalthirdPartyReproduced
Temel Katkı (Principal Contribution)
Deneyim yeniden oynatma tamponları ve dondurulmuş hedef ağlar yoluyla derin Q-öğrenmeyi stabilize ederek doğrudan ham piksellerden 49 Atari oyununda insanüstü performans elde etti.
Operasyonel ve Mühendislik Uygunluğu
task-reinforcement-learning için yetkili teorik ve sistem temeli olarak hizmet eder.
Temel Varsayımlar (Assumptions)
- Hedef değerlendirme ortamlarında Markovian durum dinamikleri ve durağan ödül fonksiyonları geçerlidir
Kısıtlar ve Sınırlamalar (Limitations)
- Örneklem verimliliği, keşif kararlılığı ve simülasyondan gerçeğe transfer boşlukları özel ayarlama gerektirir