> ML_LITERATURE // MNIH-2016-ASYNCHRONOUS-METHODS-FOR-DEEP-REINFORCEMENT-LEARNING-A3C_v1.0
Asynchronous Methods for Deep Reinforcement Learning (A3C)
Volodymyr Mnih, Adrià Puigdomènech Badia, Mehdi Mirza, Alex Graves, Timothy Lillicrap, Tim Harley, David Silver, Koray Kavukcuoglu · International Conference on Machine Learning (ICML) (2016)
algorithm2016foundationalthirdPartyReproduced
Temel Katkı (Principal Contribution)
Ağır bellekli deney yeniden oynatmayı CPU çekirdeklerinde çalışan çoklu asenkron paralel aktör-öğrenici iş parçacıklarıyla değiştirerek güncellemelerin korelasyonunu kaldırdı ve eğitim süresini kısalttı.
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
Bağlantılı Algoritmalar, Mimariler ve Kütüphaneler
İlgili Algoritmalar:
İlgili Mimariler:
Uygulayıcı Kütüphaneler: