Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/157117EC-5401-47A1-B453-9D39AAFFC2E2 | - |
| Αναγνωριστικό | https://doi.org/10.1007/s10994-008-5069-3 | - |
| Γλώσσα | en | - |
| Μέγεθος | 14 | en |
| Τίτλος | Rollout sampling approximate policy iteration | en |
| Δημιουργός | Dimitrakakis Christos | en |
| Δημιουργός | Lagoudakis Michael | en |
| Δημιουργός | Λαγουδακης Μιχαηλ | el |
| Εκδότης | Springer Verlag | en |
| Περιγραφή | Δημοσίευση σε επιστημονικό περιοδικό | el |
| Περίληψη | Several researchers have recently investigated the connection between reinforcement learning and classification. We are motivated by proposals of approximate policy iteration schemes without value functions, which focus on policy representation using classifiers and address policy learning as a supervised learning problem. This paper proposes variants of an improved policy iteration scheme which addresses the core sampling problem in evaluating a policy through simulation as a multi-armed bandit machine. The resulting algorithm offers comparable performance to the previous algorithm achieved, however, with significantly less computational effort. An order of magnitude improvement is demonstrated experimentally in two standard reinforcement learning domains: inverted pendulum and mountain-car. | en |
| Τύπος | Peer-Reviewed Journal Publication | en |
| Τύπος | Δημοσίευση σε Περιοδικό με Κριτές | el |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by/4.0/ | en |
| Ημερομηνία | 2015-10-27 | - |
| Ημερομηνία Δημοσίευσης | 2008 | - |
| Θεματική Κατηγορία | Reinforcement learning | en |
| Θεματική Κατηγορία | Approximate policy iteration | en |
| Θεματική Κατηγορία | Rollouts | en |
| Θεματική Κατηγορία | Bandit problems | en |
| Θεματική Κατηγορία | Classification | en |
| Θεματική Κατηγορία | Sample complexity | en |
| Βιβλιογραφική Αναφορά | C. Dimitrakakis and M. G. Lagoudakis "Rollout sampling approximate policy iteration," Machine Learning, vol. 72, no. 3, pp. 157-171, Sept. 2008. doi: 10.1007/s10994-008-5069-3 | en |
Copyright © DIAS 2013
