性能提升、成本降低，這是分布式強化學習算法最新研究進展

AIGC動態歡迎閱讀

原標題：性能提升、成本降低，這是分布式強化學習算法最新研究進展
關鍵字：策略,環境,作者,分布式,速度
文章來源：機器之心
內容字數：41365字

內容摘要：

機器之心原創
作者：Jiying
編輯：H4O深度強化學習（Deep Reinforcement Learning，DRL）是一種公認的解決連續決策問題的有效技術。為了應對 DRL 的數據低效（data inefficiency）問題，受到分布式機器學習技術的啟發，分布式深度強化學習 (distributed deep reinforcement learning，DDRL) 已提出并成功應用于計算機視覺和自然語言處理領域。有觀點認為，分布式強化學習是深度強化學習走向大規模應用、解決復雜決策空間和長期規劃問題的必經之路。
分布式強化學習是一個綜合的研究子領域，需要深度強化學習算法以及分布式系統設計的互相感知和協同。考慮到 DDRL 的巨大進步，我們梳理形成了 DDRL 技術的展歷程、挑戰和機遇的系列文章。我們在 part 1 部分回顧了經典的 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，這是分布式強化學習算法最新研究進展

聯系作者

文章來源：機器之心
作者微信：almosthuman2014
作者簡介：專業的人工智能媒體和產業服務平臺