XiaoMi-AI文件搜索系统
World File Search System强化
基于Bellman的强化学习中的理论障碍
对此限制的潜在补救措施正在扩大算法利用的反馈。一种这样的方法是事后观察经验重播（她）（Andrychowicz等，2017）。她建立在Bellman方程式上以学习通用价值功能（Sutton等，2011; Schaul等，2015）。假设目标是达到某种目标状态，标准值函数仅根据其达到此目标的能力来估计状态的价值。相比之下，通用价值函数可预测任何其他状态的任何状态。她利用学习过程中遇到的状态来学习这种普遍的价值功能，利用富裕的反馈，而不是达到目标是否达到目标。考虑到这一点，文献中的几项作品应用于ATP（Aygéun等，2022； Trinh等，2024； Poesia等，2024）。
知识引导的深度强化学习用于交互式推荐
摘要最多 350 个字：（请输入）交互式推荐旨在适应和学习项目和用户之间的动态交互，以实现推荐系统的响应性和准确性。强化学习天生有利于应对动态/交互环境，因此在交互式推荐研究中引起了越来越多的关注。然而，大多数现有工作倾向于学习固定的用户兴趣，而忽略了它们本质上是动态的。论文首先介绍推荐系统及其应用。然后是详细的文献综述，涵盖三个主要相关领域：序列感知推荐、交互式推荐和知识感知推荐系统。论文还回顾了基于强化学习的推荐系统应用，并讨论了其优点和缺点。之后，本论文报告了关于交互式推荐系统的一般问题陈述和要解决的挑战，包括用户动态兴趣建模、强化学习优化的计算成本以及基于强化学习的推荐系统的性能下降。特别是，我们提出了一套通过强化学习改进交互式推荐的技术和模型。我们提出了一种学习分布式交互嵌入的新模型，该模型可以以紧凑而富有表现力的方式捕获用户的动态兴趣。受到图卷积网络和知识感知推荐的最新进展的启发，我们设计了一个知识引导的深度强化学习 (KGRL) 模型，以利用强化学习和知识图谱的优势进行交互式推荐。该模型在演员-评论家网络框架内实现。它维护一个本地知识网络来指导训练阶段的决策过程，并采用注意力机制来发现项目之间的长期语义。为了降低强化学习的计算成本，我们进一步设计了一种增强优化策略，缩小了更新步骤的空间并改变了奖励函数。我们在模拟在线环境中对提出的三种方法进行了全面的实验，结果表明，与文献中的基线和最先进方法相比，我们的模型的性能得到了持续的改进。最后，本论文讨论了交互式推荐系统的未来工作和潜在的进一步改进。
多体素神经强化改变威胁调节网络内的静息状态功能连接
图 1. 神经强化干预总结（有关更多详细信息，请参阅 Taschereau-Dumouchel、Cortese 等人，2018 年）。A）一次多体素神经强化试验中的事件序列。在诱导期间，大脑活动在线处理并使用目标动物的多体素表示进行解码。此过程为我们提供了以视觉方式显示给参与者的激活可能性。B）目标动物的代表性多体素解码器（体素权重已标准化并略微平滑（FWHM = 1 毫米）以方便解释）。这些体素被用作种子区域（我们称之为腹侧颞叶皮层），以确定干预后它们的连接性变化（大脑图像是使用 pySurfer [ https://pysurfer.github.io/ ] 生成的）C）自述对我们数据库中至少 2 只动物感到恐惧的参与者参加了神经强化实验。我们使用了机器学习和一种称为超对齐的方法（Haxby 等人，2011）来确定恐惧动物（即解码器）的多体素表示。然后将恐惧动物类别随机分配为干预的目标或控制条件。参与者完成了在不同日子进行的五次神经强化课程。在干预之前和之后，参与者完成了静息状态课程，并向他们展示了他们害怕的两种动物的图像（即恐惧测试）。在这些课程中，参与者被要求报告他们对所呈现动物的主观恐惧（大脑图像是使用 Pycortex [Gao 等人，2015] 生成的）。
猴子业务：强化学习与邻里搜索虚拟网络嵌入。
在本文中，我们考虑了5G网络切片的虚拟网络嵌入（VNE）问题。此问题需要在基板虚拟化物理网络上分配多个虚拟网络（VN），同时最大化资源，最大数量，放置的VN和网络运营商的好处。我们解决了随着时间的推移而到达的问题的在线版本。受到嵌套推出策略适应（NRPA）算法的启发，这是众所周知的蒙特卡洛树搜索（MCT）的变体，该变体学习了如何随着时间的推移进行良好的模拟，我们提出了一种新算法，我们称之为邻里增强策略适应（NEPA）。我们算法的关键特征是观察NRPA无法利用状态树一个分支中获得的知识，而这是另一个启动的知识。NEPA通过以节俭的方式将NRPA与邻居搜索相结合来学习，这仅改善了有希望的解决方案，同时保持运行时间较低。我们将这项技术称为猴子业务，因为它归结为从一个有趣的分支跳到另一个分支，类似于猴子如何跳到树上，而不是每次都倒下。与其他最先进的算法相比，NEPA在接受率和收入比率的比率方面取得了更好的结果，无论是在真实和合成拓扑上。
肝动脉灌注强化治疗
背景：约 40% 的结肠直肠癌患者将发生结肠直肠肝转移 (CRLM)。提高长期生存率的最有效方法是完全切除 CRLM。不幸的是，最初仅 10 – 15% 的 CRLM 被认为是可切除的。对于最初无法切除的 CRLM 患者，当前一线全身化疗 (sys-CT) 方案后的客观缓解率 (ORR) 为 40% 至 80%，完全切除率 (CRR) 为 25% 至 50%。当 CRLM 患者在诱导 sys-CT 后不适合完全切除时，二线 sys-CT 获得的 ORR 要低得多（介于 10% 和 30% 之间），因此 CRR 也很低（< 10%）。对于接受过一个或多个系统性化疗方案后无法切除的 CRLM 患者，肝动脉灌注 (HAI) 奥沙利铂可能是一种挽救性疗法，ORR 和 CRR 分别高达 60% 和 30%。本研究旨在评估基于 HAI 奥沙利铂联合系统性化疗的强化策略作为挽救性治疗的疗效，适用于接受至少 2 个月的一线诱导系统性化疗后无法切除的 CRLM 患者。
通过强化学习的智能城市优化基于学习的预测分析
摘要 - 快速移动的城市化和城市的数字过渡的融合要求释放智能能源管理，效率符合可持续性和降低碳足迹，同时为城市居民提供高质量的生活标准。传统解决方案通常发现，考虑到能源的固有背景，各种需求以及不断变化的基础设施要求，处理能源的城市消费的强度和可变性几乎是不切实际的。作为针对挑战的建议解决方案，基于深度学习的预测分析（RLPA）的发展是为了解决为现代城市优化能源的问题。强化学习（RL）是机器学习的一个分支，用于使自主优化AI代理通过顺序决策中的相互作用来学习环境中的策略。加上预测分析时，此类系统可以帮助实时能源预测，能源的分配以及网格稳定性，以实现更具适应性和成本效益的能源系统。本文研究了基于RL的预测分析对最大程度地降低智能城市能源消耗的变革效应，重点是增强需求端的能源管理，最终促进了可靠的可再生能源在分布式网格中的可靠整合并提高网格复原力。一项详细的调查奠定了典型的增强学习模型，例如Q学习，深Q网络（DQN）和参与者 - 批评算法，以评估其在大规模解决能源优化挑战方面的实际实用性。此外，在研究中处理了智能城市基础架构中RL实施，调整智能电网，物联网驱动的能源管理系统以及需求响应计划。本文提出的方法论需要比较在实际实施智能城市项目中使用强化学习以在节能领域的效率，负载
对自动化优化的强化学习调查
摘要 - 强化学习（RL）已成为自动化中优化挑战的批评工具，从而在几个领域取得了重大进步。本评论文章研究了自动化中RL的当前格局，特别关注其在制造，能源系统和机器人技术中的作用。它讨论了最新的方法，主要挑战和即将到来的每个部门的研究途径，强调了RL解决复杂的优化挑战的能力。本文回顾了自动化中RL驱动优化方法的优点和约束。它指出了RL优化遇到的普遍挑战，包括与样本效率和可伸缩性有关的问题；安全性和鲁棒性；解释性和可信赖性；转移学习和元学习；以及现实世界的部署和集成。它进一步探讨了前瞻性策略和未来的研究途径，以应对这些挑战。此外，调查还包括一份有关研究论文的全面清单，使其成为热衷于探索该领域的学者和从业者必不可少的指南。索引术语：加固学习，自动化，制造，能源系统，机器人技术
修改行为的父母策略：积极强化的积极因素
这项研究研究了基于B.F. Skinner的操作条件理论，研究积极加强作为修改儿童行为的中心育儿策略的有效性。使用因子分析，出现了两个关键因素：积极强化对行为变化及其对亲子动态的影响的影响。积极的强化涉及以利益刺激奖励理想的行为，可以促进这些行为的重复并产生有益的长期结果。证据表明，这种方法不仅增强了理想的行为，而且还提高了父母与子女之间关系的质量，并教授ERS和学生。尽管有人认为仅依靠积极的强化可能会扼杀创造力或压力关系，但当前的搜索支持其在促进道德发展，减轻压力以及提高认知能力（例如焦点和工作记忆）中的作用。案例研究说明了积极的强化如何有效地解决行为问题，促进学习成绩并有助于情感幸福感。未来的研究应探讨阳性增强如何影响脑衍生的神经营养因子（BDNF）和催产素水平。总而言之，虽然积极加强是一种强大的工具，但将其与其他学科技术相结合可以最大程度地提高儿童发展并加强照顾者的关系。
通过主动查询从人类反馈中学习的强化
将大语言模型（LLM）与人类偏好保持一致，在建立现代生成模型中起着关键作用，可以通过从人类反馈（RLHF）学习来实现。尽管表现出色，但当前的RLHF方法通常需要大量的人类标记的偏好数据，这很昂贵。在本文中，受主动学习成功的启发，我们通过提出查询有效的RLHF方法来解决此问题。We first formalize the alignment problem as a contextual dueling bandit problem and design an active-query-based proximal policy optimization ( APPO ) algorithm with an e O ( d 2 / ∆) instance-dependent regret bound and an e O ( d 2 / ∆ 2 ) query complexity, where d is the dimension of feature space and ∆ is the sub-optimality gap over all the contexts.然后，我们提出了基于直接偏好优化（DPO）的算法的实用版本ADPO，并将其应用于微调LLMS。我们的实验表明，ADPO仅对人类偏好的查询进行了大约一半的查询，与最先进的DPO方法的性能相匹配。
实时系统优化的多代理强化学习：从理论到工业应用
国际计算机工程技术杂志（IJCET）第16卷，第1期，Jan-Feb 2025，pp。2703-2714，文章ID：IJCET_16_01_190在线可在https://iaeme.com/home/issue/issue/ijcet?volume=16&issue = 1 ISSN印刷：0976-6367; ISSN在线：0976-6375;期刊ID：5751-5249影响因子（2025）：18.59（基于Google Scholar引用）doi：https：//doi.org/10.34218/ijcet_16_01_1_190