Глубокое многозадачное метаобучение с подкреплением

Abstract

Задача глубокого обучения с подкреплением является важной задачей в сфере робототехники. В работе был предложен оригинальный подход, в котором для повышения эффективности и скорости обучения нейронной сети была использована многозадачная функция потерь с её стохастической аппроксимацией с одновременным возмущением. С помощью вычислительных экспериментов по обучению агента в среде ML1 фреймворка MetaWorld проведено сравнение предложенного способа с известным алгоритмом метаобучения MAML. Проведены эксперименты, результаты которых показывают, что представленные алгоритмы эффективнее как по качеству решения задачи, так и по скорости обучения, по сравнению с исходным алгоритмом