Prospect utility with hyperbolic tangent function
Notice bibliographique
Résumé
One branch of safety in reinforcement learning is through integrating risk sensitivity within the Markov Decision Process framework. The objective is to mitigate low-probability events that could lead to severe negative outcomes. Eliminating such risky events is usually done by incorporating a utility function on the expected return; therefore, reshaping the reward structures according to the risk levels associated with different outcomes. The temporal difference learning algorithm can be modified with a utility to capture risk. Notably, such utility functions are either convex or concave depending on the desired risk behavior. Given the outcome space and depending on the risk-sensitivity mode, concave utilities may promote risk-averse behavior and convex utilities may encourage risk-seeking strategies. Such function structure is demonstrated in Prospect Theory, and this motivates a novel formulation using the hyperbolic tangent function called PTanh. Using PTanh, experiments are performed to assess the effect of the diminishing marginal property on the risk-averse policies. It is concluded that there is a correlation between the marginal and selecting the risk-averse parameters. The marginals influence the effectiveness of the averse policies. When the marginals are considered, PTanh can demonstrate better results in terms of a ratio of average reward per prohibited state rate. Furthermore, using empirical evidence, the policy experiments shown with PTanh generalize to other utilities of the Prospect Shape. • Introduces PTanh utility function based on hyperbolic tangent for risk-sensitive RL. • Analyzes impact of diminishing marginals on risk-averse policy effectiveness. • Compares PTanh integrated with Q-learning and Expected SARSA against their base algorithms. • Demonstrates correlation between marginal effects and risk-averse policy parameters.
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 | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 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 ».