JP7247274B2 - 非同期深層強化学習 - Google Patents
非同期深層強化学習 Download PDFInfo
- Publication number
- JP7247274B2 JP7247274B2 JP2021112034A JP2021112034A JP7247274B2 JP 7247274 B2 JP7247274 B2 JP 7247274B2 JP 2021112034 A JP2021112034 A JP 2021112034A JP 2021112034 A JP2021112034 A JP 2021112034A JP 7247274 B2 JP7247274 B2 JP 7247274B2
- Authority
- JP
- Japan
- Prior art keywords
- current
- action
- neural network
- deep neural
- act
- 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
- 230000002787 reinforcement Effects 0.000 title claims description 33
- 230000009471 action Effects 0.000 claims description 175
- 238000013528 artificial neural network Methods 0.000 claims description 135
- 238000000034 method Methods 0.000 claims description 73
- 238000012549 training Methods 0.000 claims description 28
- 230000004044 response Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 230000007774 longterm Effects 0.000 claims description 12
- 230000006399 behavior Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 description 34
- 239000003795 chemical substances by application Substances 0.000 description 31
- 238000004590 computer program Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 230000010076 replication Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 230000026676 system process Effects 0.000 description 2
- 206010048669 Terminal state Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
- G06N3/092—Reinforcement learning
-
- 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
- G06N3/045—Combinations of 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/08—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
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/098—Distributed learning, e.g. federated learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (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)
- Probability & Statistics with Applications (AREA)
- Feedback Control In General (AREA)
- User Interface Of Digital Computer (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
E = r +γmax(Qtarget) - Qcurrent
を満たし、ここで、rは、実際の報酬であり、γは、予め決められた割引率(Discount Factor)、max(Qtarget)は、目標ネットワークの最大の出力であり、Qcurrentは、環境が現在の状態であったときに現在の行動に関して前に決定された現在のQ値である。
E = r +γQtarget - Qcurrent
を満たし、ここで、rは、実際の報酬であり、γは、予め決められた割引率、Qtargetは、次の行動に関する目標ネットワークの出力であり、Qcurrentは、環境が現在の状態であったときに現在の行動に関して前に決定された現在のQ値である。
102A~N ワーカー
104A~N アクター
106A~106N 環境の複製
110 共有メモリ
200 プロセス
300 プロセス
400 プロセス
500 プロセス
Claims (20)
- エージェントにより実行されることになる行動を選択するために使用される深層ニューラルネットワークを訓練するためのシステムであって、前記エージェントは、行動の予め決められた組から選択される行動を実行することにより環境とインタラクションし、前記システムは、
複数のワーカーの全てがアクセス可能な共有メモリであって、前記深層ニューラルネットワークのパラメータの値を記憶する共有メモリと、
前記複数のワーカーと
を備え、各ワーカーは他のワーカーの各々と独立して動作するように構成され、各ワーカーは、前記深層ニューラルネットワークの前記訓練中に前記環境の複製の各々とインタラクションするそれぞれのアクターと関連付けられ、各ワーカーは、複数の動作を繰り返し実行するようにさらに構成され、前記複数の動作が、
前記深層ニューラルネットワークの前記パラメータの現在の値を決定する動作と、
前記ワーカーに関連付けられる前記アクターによってインタラクションされている前記環境の複製の現在の状態を特徴付ける現在の観測結果を受け取る動作と、
前記ワーカーに関するそれぞれの行動選択の方策に従って、前記現在の観測結果に応答して、前記パラメータの前記現在の値に従い前記深層ニューラルネットワークにより生成される1つまたは複数の出力を使用して、前記ワーカーに関連付けられる前記アクターにより実行されることになる現在の行動を選択する動作と、
前記環境の複製が前記現在の状態にあるときに前記アクターが前記現在の行動を実行した結果として生ずる実際の報酬を特定する動作と、
前記アクターによりインタラクションされる前記環境の複製の次の状態を特徴付ける次の観測結果を受け取る動作であって、前記環境の複製は、前記アクターが前記現在の行動を実行することに応答して、前記現在の状態から前記次の状態へ遷移している、動作と、
前記実際の報酬および前記次の観測結果を使用して、強化学習技術の反復を実行して現在の勾配を決定する動作と、
累積された勾配を前記現在の勾配によって更新して、更新後の累積された勾配を決定する動作と、
前記共有メモリに記憶される前記深層ニューラルネットワークの前記パラメータの値を更新するための基準が満たされたか否かを決定する動作と、
前記共有メモリに記憶される前記深層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の前記基準が満たされたときに、
前記更新後の累積された勾配と前記共有メモリに記憶される前記深層ニューラルネットワークの前記パラメータの値とを使用して前記深層ニューラルネットワークの前記パラメータの更新後の値を決定し、
前記複数のワーカーの全てがアクセス可能な共有メモリに、前記深層ニューラルネットワークの前記パラメータの前記更新後の値を記憶する動作と
を含む、システム。 - 各ワーカーは、同じコンピュータ上で他のワーカーの各々とは独立して実行される、請求項1に記載のシステム。
- 各ワーカーに関する前記それぞれの行動選択の方策は、前記他のワーカーの各々に関するそれぞれの行動選択の方策とは異なる、請求項1に記載のシステム。
- 前記複数の動作は、
前記共有メモリに記憶される前記深層ニューラルネットワークの前記パラメータの値を更新するための前記基準が満たされたときに、前記更新後の累積された勾配を消去する動作をさらに含む、請求項1に記載のシステム。 - 前記共有メモリに記憶される前記深層ニューラルネットワークの前記パラメータの値を更新するための前記基準が満たされるか否かを決定する動作が、前記共有メモリに記憶される前記深層ニューラルネットワークの前記パラメータの値の前回の更新から特定の回数の前記強化学習技術の反復が実行されたことを決定する動作を含む、請求項1に記載のシステム。
- 前記深層ニューラルネットワークは、前記環境の入力状態を特徴付ける入力観測結果と入力行動とを受け取り、前記環境が前記入力状態にあるときに前記入力行動が実行される結果として生じる長期的報酬の推定値であるQ値を生成するように構成されるQネットワークであり、
前記現在の観測結果に応答して前記アクターにより実行されることになる前記現在の行動を選択する動作が、
前記行動の予め決められた組の各行動に関して、前記深層ニューラルネットワークを用いて前記現在の観測結果および前記行動を処理して、前記深層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に関連付けられる行動に対するQ値を生成する動作と、
前記行動に対する前記Q値を使用して前記ワーカーのための前記行動選択の方策に従って、前記行動の決められた組から行動を選択する動作と
を含む、請求項1に記載のシステム。 - 前記強化学習技術が、Q学習技術であり、前記反復を実行する動作が、
前記環境の複製が前記次の状態にあるときに前記行動の予め決められた組の中の全ての行動に関して目標ネットワークの最大出力を決定する動作であって、前記目標ネットワークが、前記Qネットワークと同じニューラルネットワークであるが、異なるパラメータの値を有してよい、動作と、
前記目標ネットワークの前記最大出力、前記実際の報酬、および前記現在の行動に関するQ値から誤差を決定する動作と、
前記誤差を用いて前記現在の勾配を決定する動作と
を含む、請求項6に記載のシステム。 - 前記強化学習技術がSARSA技術であり、前記反復を実行する動作が、
前記ワーカーに関する前記それぞれの行動選択の方策に従って、前記次の観測結果に応答して前記ワーカーに関連付けられる前記アクターにより実行されることになる次の行動を選択する動作と、
目標ネットワークを使用して前記次の行動および前記次の観測結果を処理して前記次の行動に対する目標ネットワーク出力を決定する動作であって、前記目標ネットワークは前記Qネットワークと同じニューラルネットワークであるが、異なるパラメータの値を有してよい、動作と、
前記次の行動に対する前記目標ネットワーク出力、前記実際の報酬、および前記現在の行動に対する前記Q値から誤差を決定する動作と、
前記誤差を用いて前記現在の勾配を決定する動作と
を含む、請求項6に記載のシステム。 - 命令を備える1つまたは複数の非一時的コンピュータ記録媒体であって、
前記命令は、1つまたは複数のコンピュータにより実行されたときに、エージェントにより実行されることになる行動を選択するために使用される深層ニューラルネットワークを訓練するためのシステムを前記1つまたは複数のコンピュータに実装させ、前記エージェントは、行動の予め決められた組から選択される行動を実行することにより環境とインタラクションし、前記システムは、
複数のワーカーの全てがアクセス可能な共有メモリであって、前記深層ニューラルネットワークのパラメータの値を記憶する共有メモリと、
前記複数のワーカーと
を備え、各ワーカーは他のワーカーの各々と独立して動作するように構成され、各ワーカーは、前記深層ニューラルネットワークの前記訓練中に前記環境の複製の各々とインタラクションするそれぞれのアクターと関連付けられ、各ワーカーは、複数の動作を繰り返し実行するようにさらに構成され、前記複数の動作が、
前記深層ニューラルネットワークの前記パラメータの現在の値を決定する動作と、
前記ワーカーに関連付けられる前記アクターによってインタラクションされている前記環境の複製の現在の状態を特徴付ける現在の観測結果を受け取る動作と、
前記ワーカーに関するそれぞれの行動選択の方策に従って、前記現在の観測結果に応答して、前記パラメータの前記現在の値に従い前記深層ニューラルネットワークにより生成される1つまたは複数の出力を使用して、前記ワーカーに関連付けられる前記アクターにより実行されることになる現在の行動を選択する動作と、
前記環境の複製が前記現在の状態にあるときに前記アクターが前記現在の行動を実行した結果として生ずる実際の報酬を特定する動作と、
前記アクターによりインタラクションされる前記環境の複製の次の状態を特徴付ける次の観測結果を受け取る動作であって、前記環境の複製は、前記アクターが前記現在の行動を実行することに応答して、前記現在の状態から前記次の状態へ遷移している、動作と、
前記実際の報酬および前記次の観測結果を使用して、強化学習技術の反復を実行して現在の勾配を決定する動作と、
累積された勾配を前記現在の勾配によって更新して、更新後の累積された勾配を決定する動作と、
前記共有メモリに記憶される前記深層ニューラルネットワークの前記パラメータの値を更新するための基準が満たされたか否かを決定する動作と、
前記共有メモリに記憶される前記深層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の前記基準が満たされたときに、
前記更新後の累積された勾配と前記共有メモリに記憶される前記深層ニューラルネットワークの前記パラメータの値とを使用して前記深層ニューラルネットワークの前記パラメータの更新後の値を決定し、
前記複数のワーカーの全てがアクセス可能な共有メモリに、前記深層ニューラルネットワークの前記パラメータの前記更新後の値を記憶する動作と
を含む、1つまたは複数の非一時的コンピュータ記録媒体。 - 各ワーカーは、同じコンピュータ上で他のワーカーの各々とは独立して実行される、請求項9に記載の1つまたは複数の非一時的コンピュータ記録媒体。
- 各ワーカーに関する前記それぞれの行動選択の方策は、前記他のワーカーの各々に関するそれぞれの行動選択の方策とは異なる、請求項9に記載の1つまたは複数の非一時的コンピュータ記録媒体。
- 前記複数の動作は、
前記共有メモリに記憶される前記深層ニューラルネットワークの前記パラメータの値を更新するための前記基準が満たされたときに、前記更新後の累積された勾配を消去する動作をさらに含む、請求項9に記載の1つまたは複数の非一時的コンピュータ記録媒体。 - 前記共有メモリに記憶される前記深層ニューラルネットワークの前記パラメータの値を更新するための前記基準が満たされるか否かを決定する動作が、前記共有メモリに記憶される前記深層ニューラルネットワークの前記パラメータの値の前回の更新から特定の回数の前記強化学習技術の反復が実行されたことを決定する動作を含む、請求項9に記載の1つまたは複数の非一時的コンピュータ記録媒体。
- 前記深層ニューラルネットワークは、前記環境の入力状態を特徴付ける入力観測結果と入力行動とを受け取り、前記環境が前記入力状態にあるときに前記入力行動が実行される結果として生じる長期的報酬の推定値であるQ値を生成するように構成されるQネットワークであり、
前記現在の観測結果に応答して前記アクターにより実行されることになる前記現在の行動を選択する動作が、
前記行動の予め決められた組の各行動に関して、前記深層ニューラルネットワークを用いて前記現在の観測結果および前記行動を処理して、前記深層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に関連付けられる行動に対するQ値を生成する動作と、
前記行動に対する前記Q値を使用して前記ワーカーのための前記行動選択の方策に従って、前記行動の決められた組から行動を選択する動作と
を含む、請求項9に記載の1つまたは複数の非一時的コンピュータ記録媒体。 - 前記強化学習技術が、Q学習技術であり、前記反復を実行する動作が、
前記環境の複製が前記次の状態にあるときに前記行動の予め決められた組の中の全ての行動に関して目標ネットワークの最大出力を決定する動作であって、前記目標ネットワークが、前記Qネットワークと同じニューラルネットワークであるが、異なるパラメータの値を有してよい、動作と、
前記目標ネットワークの前記最大出力、前記実際の報酬、および前記現在の行動に関するQ値から誤差を決定する動作と、
前記誤差を用いて前記現在の勾配を決定する動作と
を含む、請求項14に記載の1つまたは複数の非一時的コンピュータ記録媒体。 - 前記強化学習技術がSARSA技術であり、前記反復を実行する動作が、
前記ワーカーに関する前記それぞれの行動選択の方策に従って、前記次の観測結果に応答して前記ワーカーに関連付けられる前記アクターにより実行されることになる次の行動を選択する動作と、
目標ネットワークを使用して前記次の行動および前記次の観測結果を処理して前記次の行動に対する目標ネットワーク出力を決定する動作であって、前記目標ネットワークは前記Qネットワークと同じニューラルネットワークであるが、異なるパラメータの値を有してよい、動作と、
前記次の行動に対する前記目標ネットワーク出力、前記実際の報酬、および前記現在の行動に対する前記Q値から誤差を決定する動作と、
前記誤差を用いて前記現在の勾配を決定する動作と
を含む、請求項14に記載の1つまたは複数の非一時的コンピュータ記録媒体。 - エージェントにより実行されることになる行動を選択するために使用される深層ニューラルネットワークを訓練する方法であって、前記エージェントは、行動の予め決められた組から選択される行動を実行することにより環境とインタラクションし、前記方法は、
複数のワーカーを使用して、前記複数のワーカーの全てがアクセス可能な共有メモリに記憶される前記深層ニューラルネットワークのパラメータの値を繰り返し更新するステップを含み、
各ワーカーは他のワーカーの各々と独立して動作するように構成され、各ワーカーは、前記深層ニューラルネットワークの前記訓練中に前記環境の複製の各々とインタラクションするそれぞれのアクターと関連付けられ、各ワーカーは、複数の動作を繰り返し実行するようにさらに構成され、前記複数の動作が、
前記深層ニューラルネットワークの前記パラメータの現在の値を決定する動作と、
前記ワーカーに関連付けられる前記アクターによってインタラクションされている前記環境の複製の現在の状態を特徴付ける現在の観測結果を受け取る動作と、
前記ワーカーに関するそれぞれの行動選択の方策に従って、前記現在の観測結果に応答して、前記パラメータの前記現在の値に従い前記深層ニューラルネットワークにより生成される1つまたは複数の出力を使用して、前記ワーカーに関連付けられる前記アクターにより実行されることになる現在の行動を選択する動作と、
前記環境の複製が前記現在の状態にあるときに前記アクターが前記現在の行動を実行した結果として生ずる実際の報酬を特定する動作と、
前記アクターによりインタラクションされる前記環境の複製の次の状態を特徴付ける次の観測結果を受け取る動作であって、前記環境の複製は、前記アクターが前記現在の行動を実行することに応答して、前記現在の状態から前記次の状態へ遷移している、動作と、
前記実際の報酬および前記次の観測結果を使用して、強化学習技術の反復を実行して現在の勾配を決定する動作と、
累積された勾配を前記現在の勾配によって更新して、更新後の累積された勾配を決定する動作と、
前記共有メモリに記憶される前記深層ニューラルネットワークの前記パラメータの値を更新するための基準が満たされたか否かを決定する動作と、
前記共有メモリに記憶される前記深層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の前記基準が満たされたときに、
前記更新後の累積された勾配と前記共有メモリに記憶される前記深層ニューラルネットワークの前記パラメータの値とを使用して前記深層ニューラルネットワークの前記パラメータの更新後の値を決定し、
前記複数のワーカーの全てがアクセス可能な共有メモリに、前記深層ニューラルネットワークの前記パラメータの前記更新後の値を記憶する動作と
を含む、方法。 - 各ワーカーは、同じコンピュータ上で他のワーカーの各々とは独立して実行される、請求項17に記載の方法。
- 各ワーカーに関する前記それぞれの行動選択の方策は、前記他のワーカーの各々に関するそれぞれの行動選択の方策とは異なる、請求項17に記載の方法。
- 前記深層ニューラルネットワークは、前記環境の入力状態を特徴付ける入力観測結果と入力行動とを受け取り、前記環境が前記入力状態にあるときに前記入力行動が実行される結果として生じる長期的報酬の推定値であるQ値を生成するように構成されるQネットワークであり、
前記現在の観測結果に応答して前記アクターにより実行されることになる前記現在の行動を選択する動作が、
前記行動の予め決められた組の各行動に関して、前記深層ニューラルネットワークを用いて前記現在の観測結果および前記行動を処理して、前記深層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に関連付けられる行動に対するQ値を生成する動作と、
前記行動に対する前記Q値を使用して前記ワーカーのための前記行動選択の方策に従って、前記行動の決められた組から行動を選択する動作と
を含む、請求項17に記載の方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023039773A JP7516596B2 (ja) | 2015-11-12 | 2023-03-14 | 非同期深層強化学習 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201562254701P | 2015-11-12 | 2015-11-12 | |
US62/254,701 | 2015-11-12 | ||
JP2019208760A JP6911089B2 (ja) | 2015-11-12 | 2019-11-19 | 非同期深層強化学習 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019208760A Division JP6911089B2 (ja) | 2015-11-12 | 2019-11-19 | 非同期深層強化学習 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023039773A Division JP7516596B2 (ja) | 2015-11-12 | 2023-03-14 | 非同期深層強化学習 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021170361A JP2021170361A (ja) | 2021-10-28 |
JP7247274B2 true JP7247274B2 (ja) | 2023-03-28 |
Family
ID=57472034
Family Applications (4)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018523817A Active JP6621920B2 (ja) | 2015-11-12 | 2016-11-11 | 非同期深層強化学習 |
JP2019208760A Active JP6911089B2 (ja) | 2015-11-12 | 2019-11-19 | 非同期深層強化学習 |
JP2021112034A Active JP7247274B2 (ja) | 2015-11-12 | 2021-07-06 | 非同期深層強化学習 |
JP2023039773A Active JP7516596B2 (ja) | 2015-11-12 | 2023-03-14 | 非同期深層強化学習 |
Family Applications Before (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018523817A Active JP6621920B2 (ja) | 2015-11-12 | 2016-11-11 | 非同期深層強化学習 |
JP2019208760A Active JP6911089B2 (ja) | 2015-11-12 | 2019-11-19 | 非同期深層強化学習 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023039773A Active JP7516596B2 (ja) | 2015-11-12 | 2023-03-14 | 非同期深層強化学習 |
Country Status (8)
Country | Link |
---|---|
US (5) | US10936946B2 (ja) |
EP (3) | EP3872715B1 (ja) |
JP (4) | JP6621920B2 (ja) |
KR (1) | KR102156303B1 (ja) |
CN (2) | CN114897156A (ja) |
AU (1) | AU2016354558B2 (ja) |
CA (1) | CA3004885C (ja) |
WO (1) | WO2017083772A1 (ja) |
Families Citing this family (50)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102156303B1 (ko) | 2015-11-12 | 2020-09-15 | 딥마인드 테크놀로지스 리미티드 | 비동기 심층 강화 학습 |
US11188821B1 (en) * | 2016-09-15 | 2021-11-30 | X Development Llc | Control policies for collective robot learning |
US11062207B2 (en) * | 2016-11-04 | 2021-07-13 | Raytheon Technologies Corporation | Control systems using deep reinforcement learning |
US10594560B2 (en) | 2017-03-27 | 2020-03-17 | Cisco Technology, Inc. | Intent driven network policy platform |
EP3596661A1 (en) * | 2017-05-19 | 2020-01-22 | Deepmind Technologies Limited | Data efficient imitation of diverse behaviors |
US20180351816A1 (en) * | 2017-06-02 | 2018-12-06 | Yan Li | Methods and apparatus for parameter tuning using a cloud service |
CN109204308B (zh) * | 2017-07-03 | 2020-04-07 | 上海汽车集团股份有限公司 | 车道保持算法的确定方法、车道保持的控制方法及系统 |
US11093827B2 (en) * | 2017-09-20 | 2021-08-17 | International Business Machines Corporation | Variable ISA vector-based compaction in distributed training of neural networks |
EP3467717A1 (en) * | 2017-10-04 | 2019-04-10 | Prowler.io Limited | Machine learning system |
US10935982B2 (en) * | 2017-10-04 | 2021-03-02 | Huawei Technologies Co., Ltd. | Method of selection of an action for an object using a neural network |
DE102017123205A1 (de) * | 2017-10-06 | 2019-04-11 | Valeo Schalter Und Sensoren Gmbh | Konfiguration einer Kraftfahrzeug-Fahrerassistenzvorrichtung mit einem neuronalen Netzwerk im laufenden Betrieb |
US11126929B2 (en) | 2017-11-09 | 2021-09-21 | Ciena Corporation | Reinforcement learning for autonomous telecommunications networks |
US10715395B2 (en) | 2017-11-27 | 2020-07-14 | Massachusetts Institute Of Technology | Methods and apparatus for communication network |
CN107832836B (zh) * | 2017-11-27 | 2020-04-21 | 清华大学 | 无模型深度增强学习探索方法及装置 |
CN108052004B (zh) * | 2017-12-06 | 2020-11-10 | 湖北工业大学 | 基于深度增强学习的工业机械臂自动控制方法 |
CN111417964B (zh) | 2018-02-05 | 2024-04-19 | 渊慧科技有限公司 | 异策略行动者-评价者强化学习方法和系统 |
US11086317B2 (en) | 2018-03-30 | 2021-08-10 | Intel Corporation | Emotional adaptive driving policies for automated driving vehicles |
US11614978B2 (en) * | 2018-04-24 | 2023-03-28 | EMC IP Holding Company LLC | Deep reinforcement learning for workflow optimization using provenance-based simulation |
US11875557B2 (en) | 2018-04-27 | 2024-01-16 | Carnegie Mellon University | Polynomial convolutional neural network with early fan-out |
DE102018207015B4 (de) * | 2018-05-07 | 2023-08-24 | Audi Ag | Verfahren zum Trainieren selbstlernender Steuerungsalgorithmen für autonom bewegbare Vorrichtungen und autonom bewegbare Vorrichtung |
EP3807823A1 (en) | 2018-06-12 | 2021-04-21 | Intergraph Corporation | Artificial intelligence applications for computer-aided dispatch systems |
WO2020074741A1 (en) * | 2018-10-12 | 2020-04-16 | Deepmind Technologies Limited | Controlling agents over long time scales using temporal value transport |
CN109344969B (zh) * | 2018-11-01 | 2022-04-08 | 石家庄创天电子科技有限公司 | 神经网络系统及其训练方法以及计算机可读介质 |
US11868866B2 (en) * | 2018-11-16 | 2024-01-09 | Deep Mind Technologies Limited | Controlling agents using amortized Q learning |
KR101990326B1 (ko) | 2018-11-28 | 2019-06-18 | 한국인터넷진흥원 | 감가율 자동 조정 방식의 강화 학습 방법 |
US20220019866A1 (en) * | 2018-11-30 | 2022-01-20 | Google Llc | Controlling robots using entropy constraints |
EP3668050A1 (de) * | 2018-12-12 | 2020-06-17 | Siemens Aktiengesellschaft | Anpassen einer software-anwendung, die auf einem gateway ausgeführt wird |
DE102019203634A1 (de) * | 2019-03-18 | 2020-09-24 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Ansteuern eines Roboters |
US11416743B2 (en) | 2019-04-25 | 2022-08-16 | International Business Machines Corporation | Swarm fair deep reinforcement learning |
US11176368B2 (en) | 2019-06-13 | 2021-11-16 | International Business Machines Corporation | Visually focused first-person neural network interpretation |
JP7128152B2 (ja) | 2019-06-14 | 2022-08-30 | 株式会社東芝 | 学習方法及びプログラム |
KR20210012730A (ko) | 2019-07-26 | 2021-02-03 | 삼성전자주식회사 | 인공지능 모델의 학습 방법 및 전자 장치 |
SE1950924A1 (en) * | 2019-08-13 | 2021-02-14 | Kaaberg Johard Leonard | Improved machine learning for technical systems |
CN110737529B (zh) * | 2019-09-05 | 2022-02-08 | 北京理工大学 | 一种面向短时多变大数据作业集群调度自适应性配置方法 |
EP4042296A4 (en) * | 2019-10-07 | 2023-07-05 | Telefonaktiebolaget LM Ericsson (publ) | FEDERAL LEARNING MODERATOR |
CN110809306B (zh) * | 2019-11-04 | 2021-03-16 | 电子科技大学 | 一种基于深度强化学习的终端接入选择方法 |
CN111031387B (zh) * | 2019-11-21 | 2020-12-04 | 南京大学 | 一种监控视频发送端视频编码流速控制的方法 |
CN111461500B (zh) * | 2020-03-12 | 2022-04-05 | 北京航空航天大学 | 一种基于动态电子围栏和强化学习的共享单车系统潮汐现象控制方法 |
CN112533681B (zh) * | 2020-04-02 | 2024-07-12 | 支付宝(杭州)信息技术有限公司 | 确定执行设备的动作选择方针 |
US11685605B2 (en) | 2020-05-14 | 2023-06-27 | Intelligrated Headquarters, Llc | Reinforcement learning based conveyoring control |
CN111935724B (zh) * | 2020-07-06 | 2022-05-03 | 天津大学 | 基于异步深度强化学习的无线传感器网络拓扑优化方法 |
TWI741760B (zh) * | 2020-08-27 | 2021-10-01 | 財團法人工業技術研究院 | 學習式生產資源配置方法、學習式生產資源配置系統與使用者介面 |
CN112216124B (zh) * | 2020-09-17 | 2021-07-27 | 浙江工业大学 | 一种基于深度强化学习的交通信号控制方法 |
US20220114439A1 (en) * | 2020-10-08 | 2022-04-14 | Here Global B.V. | Method, apparatus, and system for generating asynchronous learning rules and/architectures |
US20220183748A1 (en) * | 2020-12-16 | 2022-06-16 | Biosense Webster (Israel) Ltd. | Accurate tissue proximity |
US20220215265A1 (en) * | 2021-01-04 | 2022-07-07 | Tencent America LLC | Method and apparatus for end-to-end task-oriented latent compression with deep reinforcement learning |
US20230119208A1 (en) * | 2021-10-20 | 2023-04-20 | Blinkfire Analytics, Inc. | Sponsorship Exposure Metric System |
US20230367696A1 (en) * | 2022-05-13 | 2023-11-16 | Microsoft Technology Licensing, Llc | Simulated training for reinforcement learning |
KR102695449B1 (ko) * | 2022-12-29 | 2024-08-16 | 주식회사 써로마인드 | 탈중앙화 분산 딥러닝을 위한 가십 기반 통신 장치 및 방법 |
KR20240105773A (ko) | 2022-12-29 | 2024-07-08 | 국립부경대학교 산학협력단 | 비동기적 연합학습 기반의 도면부품번호 인식 및 연동 시스템 및 이를 이용한 학습방법 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100094786A1 (en) | 2008-10-14 | 2010-04-15 | Honda Motor Co., Ltd. | Smoothed Sarsa: Reinforcement Learning for Robot Delivery Tasks |
US20150294219A1 (en) | 2014-04-11 | 2015-10-15 | Google Inc. | Parallelizing the training of convolutional neural networks |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0981205A (ja) * | 1995-09-11 | 1997-03-28 | Fujitsu Ltd | 学習システム |
JP5152780B2 (ja) * | 2007-09-06 | 2013-02-27 | 国立大学法人 筑波大学 | 関数近似装置、強化学習システム、関数近似システムおよび関数近似プログラム |
WO2013049633A1 (en) * | 2011-09-28 | 2013-04-04 | Causata Inc. | Online asynchronous reinforcement learning from concurrent customer histories |
US8788439B2 (en) | 2012-12-21 | 2014-07-22 | InsideSales.com, Inc. | Instance weighted learning machine learning model |
JP5785589B2 (ja) * | 2013-06-27 | 2015-09-30 | 日本電信電話株式会社 | バースト光信号送信装置及びバースト光信号送信装置の制御方法 |
US9679258B2 (en) | 2013-10-08 | 2017-06-13 | Google Inc. | Methods and apparatus for reinforcement learning |
KR20150053179A (ko) * | 2013-11-07 | 2015-05-15 | 경희대학교 산학협력단 | 인지 무선 네트워크에서 큐-학습 기법을 이용한 부사용자의 데이터 전송 속도 향상 방법 |
CN104932267B (zh) * | 2015-06-04 | 2017-10-03 | 曲阜师范大学 | 一种采用资格迹的神经网络学习控制方法 |
KR102156303B1 (ko) | 2015-11-12 | 2020-09-15 | 딥마인드 테크놀로지스 리미티드 | 비동기 심층 강화 학습 |
KR102424893B1 (ko) * | 2016-11-04 | 2022-07-25 | 딥마인드 테크놀로지스 리미티드 | 보조 작업들을 통한 강화 학습 |
-
2016
- 2016-11-11 KR KR1020187013091A patent/KR102156303B1/ko active IP Right Grant
- 2016-11-11 EP EP21167274.6A patent/EP3872715B1/en active Active
- 2016-11-11 US US15/349,950 patent/US10936946B2/en active Active
- 2016-11-11 EP EP16805618.2A patent/EP3360085B1/en active Active
- 2016-11-11 CN CN202210422678.3A patent/CN114897156A/zh active Pending
- 2016-11-11 EP EP24178066.7A patent/EP4398159A2/en active Pending
- 2016-11-11 CN CN201680065534.XA patent/CN108885717B/zh active Active
- 2016-11-11 AU AU2016354558A patent/AU2016354558B2/en active Active
- 2016-11-11 JP JP2018523817A patent/JP6621920B2/ja active Active
- 2016-11-11 WO PCT/US2016/061698 patent/WO2017083772A1/en active Application Filing
- 2016-11-11 CA CA3004885A patent/CA3004885C/en active Active
-
2018
- 2018-05-11 US US15/977,923 patent/US10346741B2/en active Active
-
2019
- 2019-05-03 US US16/403,388 patent/US11334792B2/en active Active
- 2019-11-19 JP JP2019208760A patent/JP6911089B2/ja active Active
-
2021
- 2021-02-08 US US17/170,316 patent/US11783182B2/en active Active
- 2021-07-06 JP JP2021112034A patent/JP7247274B2/ja active Active
-
2022
- 2022-04-29 US US17/733,594 patent/US12020155B2/en active Active
-
2023
- 2023-03-14 JP JP2023039773A patent/JP7516596B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100094786A1 (en) | 2008-10-14 | 2010-04-15 | Honda Motor Co., Ltd. | Smoothed Sarsa: Reinforcement Learning for Robot Delivery Tasks |
US20150294219A1 (en) | 2014-04-11 | 2015-10-15 | Google Inc. | Parallelizing the training of convolutional neural networks |
Non-Patent Citations (3)
Title |
---|
Hao Yi Ong et al.,Distributed Deep Q-Learning,online,version2,米国,arXiv(コーネル大学図書館),2015年10月15日,pages:1-8,[令和4年6月30日検索],インターネット<URL:https://arxiv.org/pdf/1508.04186.pdf> |
篠塚 敬介 他,「異なる環境に適用可能な知識を考慮した強化学習手法の構築」,第6回データ工学と情報マネジメントに関するフォーラム (第12回日本データベース学会年次大会),電子情報通信学会データ工学研究専門委員会 日本デー,2014年03月05日,pages:1-8 |
電気学会 編,学習とそのアルゴリズム[POD版],森北出版株式会社,2012年01月20日,第155頁-第174頁 |
Also Published As
Publication number | Publication date |
---|---|
JP2018537767A (ja) | 2018-12-20 |
WO2017083772A1 (en) | 2017-05-18 |
US10346741B2 (en) | 2019-07-09 |
CA3004885C (en) | 2020-07-14 |
JP6911089B2 (ja) | 2021-07-28 |
EP3872715A1 (en) | 2021-09-01 |
US11334792B2 (en) | 2022-05-17 |
US20190258929A1 (en) | 2019-08-22 |
KR20180090989A (ko) | 2018-08-14 |
JP2020042837A (ja) | 2020-03-19 |
EP3360085A1 (en) | 2018-08-15 |
JP6621920B2 (ja) | 2019-12-18 |
CN114897156A (zh) | 2022-08-12 |
AU2016354558A1 (en) | 2018-05-10 |
US10936946B2 (en) | 2021-03-02 |
CA3004885A1 (en) | 2017-05-18 |
EP3360085B1 (en) | 2021-05-19 |
US20180260708A1 (en) | 2018-09-13 |
JP7516596B2 (ja) | 2024-07-16 |
US20170140270A1 (en) | 2017-05-18 |
US20210166127A1 (en) | 2021-06-03 |
JP2021170361A (ja) | 2021-10-28 |
US20220261647A1 (en) | 2022-08-18 |
US11783182B2 (en) | 2023-10-10 |
CN108885717A (zh) | 2018-11-23 |
AU2016354558B2 (en) | 2019-11-28 |
JP2023063445A (ja) | 2023-05-09 |
CN108885717B (zh) | 2022-05-10 |
KR102156303B1 (ko) | 2020-09-15 |
EP3872715B1 (en) | 2024-07-03 |
EP4398159A2 (en) | 2024-07-10 |
US12020155B2 (en) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7247274B2 (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 | |
US11886992B2 (en) | Training reinforcement learning neural networks | |
JP6926203B2 (ja) | 補助タスクを伴う強化学習 | |
US11741334B2 (en) | Data-efficient reinforcement learning for continuous control tasks | |
JP2020522035A (ja) | 畳み込みニューラルネットワークのためのニューラルアーキテクチャ検索 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210804 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220711 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20221011 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221017 |
|
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: 20230213 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230315 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7247274 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |