| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2007-12-22 16:10 平均報酬の多様体に基づく方策勾配法 ○松原崇充（奈良先端大/ATR－CNS）・森本 淳（JST-ICORP,ATR-CNS）  NC2007-85 |
|
| 抄録 | （和） | 本稿では，方策のパラメータ空間においてパラメータ変化が及ぼす平均報酬の変化を量る計量に基づく方策勾配型強化学習法を提案する．提案手法では，方策改善による平均報酬の変化率を一定とできるため，学習曲線が直線を描く．さらに，極値付近において，提案手法は2 次収束性を持つニュートン法と等価となることを示す．単純な課題を用いた数値シミュレーションにおいて，方策勾配法や従来提案された自然方策勾配法と比較して，提案手法が効率的な強化学習法であることを確認する． |
| （英） | In this paper we propose a novel policy gradient type reinforcement learning method on the average rewardmanifold, in which a metric to measure the effect of change in policy parameters on the average reward is introduced. In our method, the derivative of the average reward with respect to the policy improvement can be fixed as a constant. Moreover, around a (sub-) optimal policy, the policy gradient method is equivalent to the Newton method. Simple simulation results with comparison to previously proposed natural policy gradient methods demonstrate the effectiveness of our policy gradient method. |
|
| キーワード | （和） | 強化学習 / 方策勾配法 / 自然方策勾配法 / / / / / |
| （英） | Reinforcement Learning / Policy Gradient / Natural Policy Gradient / / / / / | |
| 文献情報 | 信学技報, vol. 107, no. 410, NC2007-85, pp. 81-86, 2007年12月. | |
| 資料番号 | NC2007-85 | |
| 発行日 | 2007-12-15 (NC) | |
| ISSN | Print edition: ISSN 0913-5685 Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | NC2007-85 |
|
| 研究会情報 | |
| 研究会 | MBE NC |
| 開催期間 | 2007-12-22 - 2007-12-22 |
| 開催地（和） | 名古屋大学 |
| 開催地（英） | |
| テーマ（和） | 一般 |
| テーマ（英） | |
| 講演論文情報の詳細 | |
| 申込み研究会 | NC |
| 会議コード | 2007-12-MBE-NC |
| 本文の言語 | 英語（日本語タイトルあり） |
| タイトル（和） | 平均報酬の多様体に基づく方策勾配法 |
| サブタイトル（和） | |
| タイトル（英） | The Policy Gradient On The Average Reward Manifold |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 強化学習 / Reinforcement Learning |
| キーワード(2)（和/英） | 方策勾配法 / Policy Gradient |
| キーワード(3)（和/英） | 自然方策勾配法 / Natural Policy Gradient |
| キーワード(4)（和/英） | / |
| キーワード(5)（和/英） | / |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 松原 崇充 / Takamitsu Matsubara / マツバラ タカミツ |
| 第1著者 所属（和/英） | 奈良先端科学技術大学院大学，ATR脳情報研究所 (略称： 奈良先端大/ATR－CNS) Nara Institute of Science and Technology, ATR-CNS (略称： NAIST/ATR) |
| 第2著者 氏名（和/英/ヨミ） | 森本 淳 / Jun Morimoto / |
| 第2著者 所属（和/英） | 科学技術振興機構ICORP, ATR脳情報研究所 (略称： JST-ICORP,ATR-CNS) JST-ICORP, ATR-CNS (略称： JST/ATR) |
| 第3著者 氏名（和/英/ヨミ） | / / |
| 第3著者 所属（和/英） | (略称： ) (略称： ) |
| 第4著者 氏名（和/英/ヨミ） | / / |
| 第4著者 所属（和/英） | (略称： ) (略称： ) |
| 第5著者 氏名（和/英/ヨミ） | / / |
| 第5著者 所属（和/英） | (略称： ) (略称： ) |
| 第6著者 氏名（和/英/ヨミ） | / / |
| 第6著者 所属（和/英） | (略称： ) (略称： ) |
| 第7著者 氏名（和/英/ヨミ） | / / |
| 第7著者 所属（和/英） | (略称： ) (略称： ) |
| 第8著者 氏名（和/英/ヨミ） | / / |
| 第8著者 所属（和/英） | (略称： ) (略称： ) |
| 第9著者 氏名（和/英/ヨミ） | / / |
| 第9著者 所属（和/英） | (略称： ) (略称： ) |
| 第10著者 氏名（和/英/ヨミ） | / / |
| 第10著者 所属（和/英） | (略称： ) (略称： ) |
| 第11著者 氏名（和/英/ヨミ） | / / |
| 第11著者 所属（和/英） | (略称： ) (略称： ) |
| 第12著者 氏名（和/英/ヨミ） | / / |
| 第12著者 所属（和/英） | (略称： ) (略称： ) |
| 第13著者 氏名（和/英/ヨミ） | / / |
| 第13著者 所属（和/英） | (略称： ) (略称： ) |
| 第14著者 氏名（和/英/ヨミ） | / / |
| 第14著者 所属（和/英） | (略称： ) (略称： ) |
| 第15著者 氏名（和/英/ヨミ） | / / |
| 第15著者 所属（和/英） | (略称： ) (略称： ) |
| 第16著者 氏名（和/英/ヨミ） | / / |
| 第16著者 所属（和/英） | (略称： ) (略称： ) |
| 第17著者 氏名（和/英/ヨミ） | / / |
| 第17著者 所属（和/英） | (略称： ) (略称： ) |
| 第18著者 氏名（和/英/ヨミ） | / / |
| 第18著者 所属（和/英） | (略称： ) (略称： ) |
| 講演者 | 第1著者 |
| 発表日時 | 2007-12-22 16:10:00 |
| 発表時間 | 25分 |
| 申込先研究会 | NC |
| 資料番号 | NC2007-85 |
| 巻番号（vol） | vol.107 |
| 号番号（no） | no.410 |
| ページ範囲 | pp.81-86 |
| ページ数 | 6 |
| 発行日 | 2007-12-15 (NC) |
[研究会発表申込システムのトップページに戻る]