한국어 초록
특정 강화학습(RL) 시나리오에서는 적대자가 자신의 이익을 위해 근본적인 보상 과정을 방해하려 한다. 본 논문은 RL 맥락에서 잠재적 상대에 맞서 에이전트를 지원하는 프레임워크로서 위협받는 마르코프 결정 과정(Threatened Markov Decision Processes, TMDPs)을 도입하고, TMDP를 다루기 위한 새로운 학습 접근법으로 이어지는 방안들을 함께 제시한다. 프레임워크를 소개하고 이론적 결과를 도출한 뒤, 광범위한 실험을 통해 실증적 근거를 제시하며, RL 에이전트가 적대적 인식(adversarial awareness)을 인정하는 것의 중요성을 보여준다.
원문 초록
In certain reinforcement learning (RL) scenarios there are adversaries trying to interfere with the underlying reward process for their own benefit. We introduce Threatened Markov Decision Processes (TMDPs) as a framework to support an agent against potential opponents in an RL context as well as schemes resulting in novel learning approaches to deal with TMDPs. After introducing our framework and deriving theoretical results, empirical evidence is given via extensive experiments, showing the importance for an RL agent of acknowledging adversarial awareness.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:1908.08773v3제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
Margin Trader: A Reinforcement Learning Framework for Portfolio Management with Margin and Constraints
Task Independent Capsule-Based Agents for Deep Q-Learning
Accelerating lifelong reinforcement learning via reshaping rewards
Federated Model Search via Reinforcement Learning
Variation-resistant Q-learning: Controlling and Utilizing Estimation Bias in Reinforcement Learning for Better Performance
A State Representation Dueling Network for Deep Reinforcement Learning
토론
이 논문과 연결된 포럼 글이 아직 없습니다.