机构名称：
¥ 18.0
因果推论提供了一组原则和工具，使人们可以将数据和知识结合起来，以与反事实性质的问题相结合，即如果现实是不同的，即使目前没有这种未实现现实的数据，也会发生的事情。强化学习提供了一系列方法，以学习一项优化特定措施（例如，奖励，遗憾）的政策，当代理人部署在环境中并采用探索性，反复试验的方法时。这两个学科已经独立发展，并且几乎没有相互作用。我们注意到，它们在同一构件的不同方面（即反事实关系）运作，这使它们毫无双重地连接。基于这些观察结果，我们进一步意识到，当这种联系被明确承认，理解和数学时，自然会出现各种新颖的学习机会。为了意识到这一潜力，我们进一步指出，部署RL药物的任何环境都可以分解为一种自主机制的集合，这些机制导致不同的因果不变，并且可以将其作为结构性因果模型而拼凑而成；今天的任何标准RL设置都暗示着这些模型之一。反过来，这种自然形式化将使我们能够将不同的学习方式（包括在线，非政策和因果关系学习）置于统一的处理方式下，这些学习似乎在文献中似乎无关。关键字：结构性因果模型，干预措施，反事实，增强学习，识别能力，鲁棒性，非政策评估，模仿学习。有人可能推测，这三种标准学习方式是详尽的，因为所有可能的反事实关系都是通过连续实施来学习的。我们表明，通过引入几种自然而普遍的学习环境类别，这些设置不符合这些方式，而是需要新颖的维度和类型的分析。特别是，我们将通过因果镜头介绍和讨论，在线学习的问题，在哪里进行干预，模仿学习和反事实学习。这组新的任务和理解会导致更广泛的相反学习的看法，并提出了研究因果推断和并排学习的巨大潜力，我们称之为因果关系加强学习（CRL）。
因果增强概论学习
主要关键词
相关文件推荐
