Using bisimulation for policy transfer in MDPs (Extended Abstract)
Notice bibliographique
Résumé
1. MAIN RESULTS Much of the work on using Markov Decision Processes (MDPs) in artificial intelligence (AI) focuses on solving a single problem. However, AI agents often exist over a long period of time, during which they may be required to solve several related tasks. This type of scenario has motivated a significant amount of recent research in knowledge transfer methods for MDPs. The idea is to allow an agent to continue to re-use the expertise accumulated while solving past tasks over its lifetime (see Taylor & Stone, 2009, for a comprehensive survey ). We focus on transferring knowledge in MDPs that are fully specified by their state set S, action set A, reward function R : S×A→R and state transition probabilities P : S×A→Dist(S) (whereDist(S) is the set of distributions over the set S). A policy π is a function from states to actions, π : S → A. The value of a state s ∈ S under policy π is defined as Vπ(s) = Eπ{∑ t=0 γt rt+1|s0 = s}, where rt is the reward received at time step t, and γ ∈ (0,1) is a discount factor. Solving an MDP means finding the optimal value function V ∗(s) = maxπV(s), and the associated policy π∗. The action-value function, Q∗ : S×A→R gives the expected return for each state-action pair, if they are followed by the optimal policy thereafter. LetM1 = 〈S1,A1,P1,R1〉 andM2 = 〈S2,A2,P2,R1〉 be twoMDPs and let V ∗ 1 (Q ∗ 1) and V ∗ 2 (Q ∗ 2) denote their respective optimal value functions. Our goal is to provide methods for transferring a policy from ont MDP to the other, which ensuring strong theoretical guarantees regarding the expected return of the transferred policy in the new MDP. Our methods are based on bisimulation metrics, introduced by Ferns, Panangaden & Precup (2004) . Bisimulation is a notion
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».