性能提升、成本降低，這是分布式強(qiáng)化學(xué)習(xí)算法最新研究進(jìn)展

AIGC動(dòng)態(tài)歡迎閱讀

原標(biāo)題：性能提升、成本降低，這是分布式強(qiáng)化學(xué)習(xí)算法最新研究進(jìn)展
關(guān)鍵字：策略,環(huán)境,作者,分布式,速度
文章來(lái)源：機(jī)器之心
內(nèi)容字?jǐn)?shù)：41365字

內(nèi)容摘要：

機(jī)器之心原創(chuàng)
作者：Jiying
編輯：H4O深度強(qiáng)化學(xué)習(xí)（Deep Reinforcement Learning，DRL）是一種公認(rèn)的解決連續(xù)決策問(wèn)題的有效技術(shù)。為了應(yīng)對(duì) DRL 的數(shù)據(jù)低效（data inefficiency）問(wèn)題，受到分布式機(jī)器學(xué)習(xí)技術(shù)的啟發(fā)，分布式深度強(qiáng)化學(xué)習(xí) (distributed deep reinforcement learning，DDRL) 已提出并成功應(yīng)用于計(jì)算機(jī)視覺(jué)和自然語(yǔ)言處理領(lǐng)域。有觀點(diǎn)認(rèn)為，分布式強(qiáng)化學(xué)習(xí)是深度強(qiáng)化學(xué)習(xí)走向大規(guī)模應(yīng)用、解決復(fù)雜決策空間和長(zhǎng)期規(guī)劃問(wèn)題的必經(jīng)之路。
分布式強(qiáng)化學(xué)習(xí)是一個(gè)綜合的研究子領(lǐng)域，需要深度強(qiáng)化學(xué)習(xí)算法以及分布式系統(tǒng)設(shè)計(jì)的互相感知和協(xié)同。考慮到 DDRL 的巨大進(jìn)步，我們梳理形成了 DDRL 技術(shù)的展歷程、挑戰(zhàn)和機(jī)遇的系列文章。我們?cè)?part 1 部分回顧了經(jīng)典的 DDRL 框架，在本部分，我們利用三篇論文，具體分析 DDRL 的今生 — 最新研究進(jìn)展。
1、SRL: Scaling Distributed Reinforcement Learning to Over TenThousand Cores

原文鏈接：性能提升、成本降低，這是分布式強(qiáng)化學(xué)習(xí)算法最新研究進(jìn)展

聯(lián)系作者

文章來(lái)源：機(jī)器之心
作者微信：almosthuman2014
作者簡(jiǎn)介：專業(yè)的人工智能媒體和產(chǎn)業(yè)服務(wù)平臺(tái)