Papers with Code 아카이브

Reinforcement Learning (RL)

태스크의 하위 분류와 논문·코드·평가·기법·데이터셋을 탐색하세요.

전체 기법 전체 데이터셋

하위 태스크: 6
평가표: 2
보존된 평가 기록: 3

Reinforcement Learning (RL) involves training an agent to take actions in an environment to maximize a cumulative reward signal. The agent interacts with the environment and learns by receiving feedback in the form of rewards or punishments for its actions. The goal of reinforcement learning is to find the optimal policy or decision-making strategy that maximizes the long-term reward.

평가 결과

데이터셋과 평가 조건을 선택해 성능·논문·코드를 비교하세요. 보존된 Papers with Code 기록으로, 최신 순위는 아닙니다.

ProcGen

원본 태스크: Reinforcement Learning (RL)

평가 기록 2건

RoomEnv-v1

원본 태스크: Reinforcement Learning (RL) / RoomEnv-v1

평가 기록 2건

RoomEnv-v2

원본 태스크: Reinforcement Learning (RL) / RoomEnv-v2

평가 기록 2건

.

원본 태스크: Reinforcement Learning (RL)

평가 기록 1건

RoomEnv-v0

원본 태스크: Reinforcement Learning (RL) / RoomEnv-v0

평가 기록 1건

Synthetic OD Data

원본 태스크: Reinforcement Learning (RL) / 3D Point Cloud Reinforcement Learning

평가 기록 1건

출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.