Transferlernen für Reinforcement-Learning-Domänen: Eine Übersicht

Das Paradigma des Reinforcement Learning ist eine beliebte Möglichkeit, Probleme zu behandeln, die nur begrenztes Umgebungsfeedback bieten, anstatt korrekt beschrifteter Beispiele, wie es in anderen Kontexten des maschinellen Lernens üblich ist. Während erhebliche Fortschritte erzielt wurden, um das Lernen in einer einzelnen Aufgabe zu verbessern, wurde die Idee des Transferlernens erst kürzlich auf Reinforcement-Learning-Aufgaben angewendet. Die Kernidee des Transfers ist, dass Erfahrungen, die beim Lernen, eine Aufgabe auszuführen, gesammelt werden, das Lernen in einer verwandten, aber anderen Aufgabe verbessern können. In diesem Artikel präsentieren wir einen Rahmen, der Transferlernen-Methoden in Bezug auf ihre Fähigkeiten und Ziele klassifiziert und dann verwenden wir ihn, um die vorhandene Literatur zu überprüfen sowie zukünftige Richtungen für die Arbeit im Bereich Transferlernen vorzuschlagen.