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.

하위 태스크

해결할 문제를 선택하세요. 같은 이름의 태스크는 상위 분야와 평가 조건으로 구분합니다.

Reinforcement Learning (RL) / RoomEnv-v1

RoomEnv-v1

하위 0개평가표 1개평가 기록 2건

코드 평가 결과 기법 데이터셋

Reinforcement Learning (RL) / RoomEnv-v2

RoomEnv-v2

하위 0개평가표 1개평가 기록 2건

코드 평가 결과 기법 데이터셋

Reinforcement Learning (RL) / 3D Point Cloud Reinforcement Learning

3D Point Cloud Reinforcement Learning

하위 0개평가표 1개평가 기록 1건

코드 평가 결과 기법 데이터셋

Reinforcement Learning (RL) / RoomEnv-v0

RoomEnv-v0

하위 0개평가표 1개평가 기록 1건

코드 평가 결과 기법 데이터셋

Reinforcement Learning (RL) / Multi-Objective Reinforcement Learning

Multi-Objective Reinforcement Learning

하위 0개평가표 0개평가 기록 0건

코드 평가 결과 기법 데이터셋

Reinforcement Learning (RL) / Off-policy evaluation

Off-policy evaluation

하위 0개평가표 0개평가 기록 0건

코드 평가 결과 기법 데이터셋

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