JP6817456B2 - ニューラルエピソード制御 - Google Patents
ニューラルエピソード制御 Download PDFInfo
- Publication number
- JP6817456B2 JP6817456B2 JP2019546227A JP2019546227A JP6817456B2 JP 6817456 B2 JP6817456 B2 JP 6817456B2 JP 2019546227 A JP2019546227 A JP 2019546227A JP 2019546227 A JP2019546227 A JP 2019546227A JP 6817456 B2 JP6817456 B2 JP 6817456B2
- Authority
- JP
- Japan
- Prior art keywords
- action
- current
- return
- value
- key
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000001537 neural effect Effects 0.000 title description 31
- 230000009471 action Effects 0.000 claims description 130
- 230000001073 episodic memory Effects 0.000 claims description 83
- 238000012549 training Methods 0.000 claims description 52
- 238000000034 method Methods 0.000 claims description 50
- 238000013528 artificial neural network Methods 0.000 claims description 48
- 230000015654 memory Effects 0.000 claims description 31
- 230000006399 behavior Effects 0.000 claims description 28
- 230000004044 response Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 18
- 230000001172 regenerating effect Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000001667 episodic effect Effects 0.000 claims description 2
- 238000013506 data mapping Methods 0.000 claims 1
- 239000003795 chemical substances by application Substances 0.000 description 40
- 230000002787 reinforcement Effects 0.000 description 26
- 238000004590 computer program Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000008689 nuclear function Effects 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 241000009334 Singa Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
本出願は、2017年2月24日に出願の米国仮出願第62/463,558号の優先権を主張する。先行出願の開示は、本出願の一部と考えられ、本出願の開示に参照により組み込まれる。
Qi+α(Q(N)(s, a)-Qi)
に、マッチするキー埋込みhiをマッピングするようにエピソード記憶データを更新し、ここで、QN(s, a)は、現在のブートストラップリターンであり、Qiは、マッチするキー埋込みhiによって現在マッピングされるリターン推定であり、αは、Q更新の学習率である。学習率αは変更されることが可能である。例えば、いくつかのケースにおいて、学習率は、安定した表現で繰り返し訪れる状態がこれらのQ値推定を迅速に更新できるようにするために、高い値を持つことができる。
102 エージェント、強化学習エージェント
104 環境
106 埋込みニューラルネットワーク
108 エピソード記憶データ
110 ニューラルエピソードコントローラ
112 Q値エンジン
114 再生記憶
202 観測
204 行動aのためのエピソード記憶モジュール、エピソード記憶モジュール
300 処理
400 処理
Claims (17)
前記1つまたは複数のコンピュータによって、エージェントによって対話される環境の現在の状態を特徴付ける現在の観測を受け取るステップと、
前記1つまたは複数のコンピュータによって、前記現在の観測に関する現在のキー埋込みを生成するために、埋込みニューラルネットワークのパラメータの現在の値に応じて前記埋込みニューラルネットワークを使用して前記現在の観測を処理するステップと、
前記複数の行動の各行動について、
1つまたは複数のコンピュータによって、距離測定に応じて、前記現在のキー埋込みに対する、前記行動のための前記エピソード記憶データ内のp近傍キー埋込みを判断するステップ、および
1つまたは複数のコンピュータによって、前記行動のための前記エピソード記憶データ内の前記p近傍キー埋込みによってマッピングされる前記リターン推定から、前記行動に関するQ値を判断するステップであって、前記行動に関する前記Q値が、前記現在の観測に応答して前記行動を行う前記エージェントから生じることになる予測されるリターンである、ステップと、
前記1つまたは複数のコンピュータによって、また前記行動に関する前記Q値を使用して、前記現在の観測に応答して前記エージェントによって行われることになる行動として前記行動を前記複数の行動から選択するステップとを含む、
方法。
行われることになる前記行動として最も高いQ値を有する前記行動を選択するステップを含む、
請求項1に記載の方法。
確率εで行われることになる前記行動として最も高いQ値を有する前記行動を選択するステップ、および確率1-εで行動の所定のセットからランダム行動を選択するステップを含む、
請求項1に記載の方法。
前記距離測定に応じて、前記p近傍キー埋込みと、前記現在のキー埋込みの間の距離から、前記行動のための前記エピソード記憶データ内の前記p近傍キー埋込みのそれぞれに対する個々の重みを判断するステップと、
前記行動のための前記エピソード記憶データ内の前記p近傍キー埋込みのそれぞれに対して、個々の重み付き推定リターンを判断するために、前記キー埋込みに対する前記重みによって、前記キー埋込みにマッピングされた前記推定リターンに重み付けするステップとを含む、
請求項1から3のいずれか一項に記載の方法。
前記行動に対する前記重み付き推定リターンを合計するステップと、
前記合計された重み付き推定リターンを前記Q値として使用するステップとを含む、
請求項4に記載の方法。
前記行動に対する前記重み付き推定リターンを合計するステップと、
前記Q値を生成するために、リターンニューラルネットワークのパラメータの現在の値に応じて、前記リターンニューラルネットワークを通じて、前記合計された重み付き推定リターンを含むネットワーク入力を処理するステップとを含む、
請求項4に記載の方法。
前記Q値を生成するために、リターンニューラルネットワークのパラメータの現在の値に応じて、前記リターンニューラルネットワークを通じて、前記重み付き推定リターンを含むネットワーク入力を処理するステップを含む、
請求項4に記載の方法。
請求項6または7に記載の方法。
請求項1から8のいずれか一項に記載の方法。
請求項1から9のいずれか一項に記載の方法。
請求項1から10のいずれか一項に記載の方法。
前記行動のための前記エピソード記憶データ内の前記キー埋込みのいずれにも前記現在のキー埋込みがマッチしないとき、
前記現在のリターンに前記現在のキー埋込みをマッピングするデータを前記行動のための前記エピソード記憶データに追加するステップとをさらに含む、
請求項11に記載の方法。
前記現在のリターンと、前記マッチするキー埋込みによって現在マッピングされる前記リターン推定との重み付き平均に、前記マッチするキー埋込みをマッピングするために前記エピソード記憶データを更新するステップをさらに含む、
請求項12に記載の方法。
前記訓練の観測から前記訓練の選択済み行動に関するQ値を判断するステップと、
前記キー埋込み、推定リターン、および前記埋込みニューラルネットワークの前記パラメータの前記現在の値を更新するために、前記訓練の選択済み行動に関する前記Q値と前記訓練のリターンとの間のエラーの勾配を逆伝搬させるステップとをさらに含む、
請求項11から13のいずれか一項に記載の方法。
前記新しいタプルを前記再生記憶に追加するステップとをさらに含む、
請求項14に記載の方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762463558P | 2017-02-24 | 2017-02-24 | |
US62/463,558 | 2017-02-24 | ||
PCT/EP2018/054624 WO2018154100A1 (en) | 2017-02-24 | 2018-02-26 | Neural episodic control |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020213556A Division JP7038790B2 (ja) | 2017-02-24 | 2020-12-23 | ニューラルエピソード制御 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020508527A JP2020508527A (ja) | 2020-03-19 |
JP6817456B2 true JP6817456B2 (ja) | 2021-01-20 |
Family
ID=61386852
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019546227A Active JP6817456B2 (ja) | 2017-02-24 | 2018-02-26 | ニューラルエピソード制御 |
JP2020213556A Active JP7038790B2 (ja) | 2017-02-24 | 2020-12-23 | ニューラルエピソード制御 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020213556A Active JP7038790B2 (ja) | 2017-02-24 | 2020-12-23 | ニューラルエピソード制御 |
Country Status (6)
Country | Link |
---|---|
US (2) | US10664753B2 (ja) |
EP (2) | EP3552156B8 (ja) |
JP (2) | JP6817456B2 (ja) |
CN (1) | CN110235149B (ja) |
DK (1) | DK3552156T3 (ja) |
WO (1) | WO2018154100A1 (ja) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110088775B (zh) * | 2016-11-04 | 2023-11-07 | 渊慧科技有限公司 | 使用加强学习的环境预测 |
AU2019284379A1 (en) | 2018-06-12 | 2021-01-28 | Intergraph Corporation | Artificial intelligence applications for computer-aided dispatch systems |
US11455530B2 (en) * | 2018-11-20 | 2022-09-27 | Google Llc | Controlling agents using scene memory data |
CN113366495B (zh) | 2018-12-21 | 2024-03-22 | 伟摩有限责任公司 | 搜索自主车辆传感器数据存储库 |
CN112476424A (zh) * | 2020-11-13 | 2021-03-12 | 腾讯科技(深圳)有限公司 | 机器人控制方法、装置、设备及计算机存储介质 |
US20220308581A1 (en) * | 2021-03-23 | 2022-09-29 | Honda Motor Co., Ltd. | System and method for completing continual multi-agent trajectory forecasting |
CN117274732B (zh) * | 2023-09-18 | 2024-07-16 | 广东石油化工学院 | 一种基于情景记忆驱动构建优化扩散模型的方法和系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9189409B2 (en) * | 2013-02-19 | 2015-11-17 | Avago Technologies General Ip (Singapore) Pte. Ltd. | Reducing writes to solid state drive cache memories of storage controllers |
US9679258B2 (en) * | 2013-10-08 | 2017-06-13 | Google Inc. | Methods and apparatus for reinforcement learning |
EP3079106B1 (en) * | 2015-04-06 | 2022-06-08 | DeepMind Technologies Limited | Selecting reinforcement learning actions using goals and observations |
US20180165602A1 (en) * | 2016-12-14 | 2018-06-14 | Microsoft Technology Licensing, Llc | Scalability of reinforcement learning by separation of concerns |
-
2018
- 2018-02-26 EP EP18707703.7A patent/EP3552156B8/en active Active
- 2018-02-26 DK DK18707703.7T patent/DK3552156T3/da active
- 2018-02-26 EP EP22170944.7A patent/EP4057189A1/en active Pending
- 2018-02-26 WO PCT/EP2018/054624 patent/WO2018154100A1/en active Search and Examination
- 2018-02-26 CN CN201880008758.6A patent/CN110235149B/zh active Active
- 2018-02-26 JP JP2019546227A patent/JP6817456B2/ja active Active
-
2019
- 2019-06-19 US US16/445,523 patent/US10664753B2/en active Active
-
2020
- 2020-04-23 US US16/856,527 patent/US11720796B2/en active Active
- 2020-12-23 JP JP2020213556A patent/JP7038790B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
US10664753B2 (en) | 2020-05-26 |
CN110235149B (zh) | 2023-07-07 |
JP7038790B2 (ja) | 2022-03-18 |
JP2020508527A (ja) | 2020-03-19 |
JP2021064387A (ja) | 2021-04-22 |
DK3552156T3 (da) | 2022-08-22 |
EP3552156B8 (en) | 2022-08-03 |
US20190303764A1 (en) | 2019-10-03 |
EP4057189A1 (en) | 2022-09-14 |
EP3552156A1 (en) | 2019-10-16 |
EP3552156B1 (en) | 2022-06-22 |
US11720796B2 (en) | 2023-08-08 |
US20200265317A1 (en) | 2020-08-20 |
CN110235149A (zh) | 2019-09-13 |
WO2018154100A1 (en) | 2018-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6817456B2 (ja) | ニューラルエピソード制御 | |
JP7516596B2 (ja) | 非同期深層強化学習 | |
JP6828121B2 (ja) | 優先順位付けされた経験メモリを使用したニューラルネットワークの訓練 | |
US11741334B2 (en) | Data-efficient reinforcement learning for continuous control tasks | |
US20220284266A1 (en) | Reinforcement learning using advantage estimates | |
CN108027897B (zh) | 利用深度强化学习的连续控制 | |
JP7080811B2 (ja) | 強化学習ニューラルネットワークのトレーニング | |
US10296825B2 (en) | Dueling deep neural networks | |
US20240127058A1 (en) | Training neural networks using priority queues | |
JP6667674B2 (ja) | 疑似カウントを使用する強化学習 | |
US20190205757A1 (en) | Model-free control for reinforcement learning agents |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191001 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20201014 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20201124 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20201224 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6817456 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |