액션 모델 학습

다음에 대한 시리즈 일부
머신러닝 및 데이터 마이닝
문제 분류 클러스터링 회귀 이상 탐지 데이터 클리닝 자동ML 연결 규칙 강화학습 구조 예측 피쳐 엔지니어링 피처러닝 온라인 학습 반감독학습 무감독 학습 순위 매기기 문법 유도
감독 학습 (계속 • 회귀) 의사결정 나무 앙상블 바깅 부스팅 랜덤 포리스트 k-NN 선형 회귀 분석 순진한 베이즈 인공신경망 로지스틱 회귀 분석 퍼셉트론 관련 벡터 머신(RVM) SVM(지원 벡터 머신)
클러스터링 버치 치료하다 계층적 k-16 기대-최대화(EM) 디스캔 광학 평균 이동
차원성 감소 인자분석 CCA ICA LDA NMF PCA PGD t-SNE
구조 예측 그래픽 모델 베이즈 그물 조건부 랜덤 필드 히든 마르코프
이상 탐지 k-NN 국부 특이치 인자
인공신경망 오토인코더 인지 컴퓨팅 심오한 학문 딥드림 멀티레이어 퍼셉트론 RNN LSTM GRU ESN 제한 볼츠만 기계 간 somerset. 콘볼루션 신경망 유넷 변압기 비전 스파이킹 신경망 멤트랜지스터 전기화학 RAM(ECRAM)
강화학습 Q-러닝 사사 시간차(TD)
이론 커널 시스템 바이어스-분산 트레이드오프 계산학습이론 경험적 위험 최소화 오캄 학습 PAC 학습 통계학 VC 이론
기계 학습 장소 뉴럽스IPS ICML ML JMLR ArXiv:cs.LG
관련기사 인공지능 용어집 기계 학습 연구를 위한 데이터셋 목록 기계학습 개요
v t

액션 모델 학습(때로는 약칭 액션 학습)은 그 환경 내에서 실행할 수 있는 액션의 효과와 전제조건에 대한 소프트웨어 에이전트의 지식의 생성과 수정과 관련된 머신러닝의 영역이다. 이 지식은 보통 논리 기반의 행동 설명 언어로 표현되며 자동화된 계획자의 입력으로 사용된다.

목표가 바뀔 때 행동 모델을 배우는 것은 중요하다. 에이전트가 잠시 활동할 때, 도메인의 활동에 대한 축적된 지식을 활용하여 더 나은 결정을 내릴 수 있다. 따라서 학습 행동 모델은 강화 학습과 다르다. 그것은 세계에서 값비싼 실험 대신 행동에 대한 추론을 가능하게 한다.^[1] 행동 모델 학습은 유도 추론의 한 형태로, 대리인의 관찰에 기초하여 새로운 지식이 생성된다. 정확한 입력/출력 쌍은 제시되지 않으며 명시적으로 수정된 조치 모델을 부정확하게 하지 않는다는 점에서 표준 감독 학습과 다르다.

행동 모델 학습에 대한 일반적인 동기는 계획자에 대한 행동 모델의 수동 명세가 종종 어렵고, 시간이 많이 걸리며, 오류가 발생하기 쉬운 작업이라는 사실이다(특히 복잡한 환경에서는).

액션 모델

$예시{\displaystyle }$e =${\displaystyle }$( s${\displaystyle }$, ${\displaystyle a}$, ${\displaystyle {}^{}}$ ${\displaystyle {\prime }^{}}$)$${\$displaystyle$ e$=($$s$,a$,s')$로 구성된$$ 교육 $세트{\displaystyle }$ E ${\$$displaystyle$ E$}$이(가) 주어진 경우$,$ 여기서 $s{\displaystyle }$, s , s$$ {\$displaystystyle$ s$,s'$은 두 개의$$ 연속적인 시간 $단계{\displaystyle }$ t${\displaystyle }$, ${\displaystyle {}^{}}$′ ${\$$,$ $t$$'$에서 관찰된 작업 시간이다$.$ step ${\displaystyle t}$, the goal of action model learning in general is to construct an action model ${\displaystyle \langle D,P\rangle }$, where ${\displaystyle D}$ is a description of domain dynamics in action description formalism like STRIPS, ADL or PDDL and ${\displaystyle P}$ is a probability function $D{\displaystyle }$ ${\displaystyle D}$의 요소에 대해 정의된다$.$ 그러나 많은 예술 작용 학습 방법의 상태는 결정론을 가정하고 $P{\displaystyle }$ ${\displaystyle P}$을(를) 유도하지 않는다$.$ 결정론 외에도 개별 방법은 도메인의 다른 속성(예: 부분 관측성 또는 센서 소음)을 다루는 방법에 차이가 있다.

액션 학습 방법

예술 상태

최근의 액션 학습 방법은 다양한 접근방식을 취하며 인공지능과 계산논리의 다양한 영역에서 다양한 도구를 사용한다. 명제논리에 기초한 방법의 예로서 에이전트 관찰을 사용하여 시간이 경과함에 따라 긴 명제 공식을 구성하고 이후 만족도(SAT) 해결사를 사용하여 해석하는 ^[1]SLAF(Simulous Learning and Filtering) 알고리즘을 언급할 수 있다. 학습이 만족도 문제(이 경우 가중 MAX-SAT)로 전환되고 SAT 해결기가 사용되는 또 다른 기법은 ARM(Action-Relation Modeling System)에서 구현된다.^[3] 액션 학습에 대해 상호 유사하고 완전히 선언적인 두 가지 접근방식은 논리 프로그래밍 패러다임 ASP(^[4]Answer Set Programming)와 그 확장인 반응형 ASP에 기초하였다.^[5] 또 다른 예에서는 상향식 유도 논리 프로그래밍 접근법을 채택했다.^[6] 몇몇 다른 해결책들은 직접적으로 논리에 기반하지 않는다. 예를 들어, 퍼셉트론 알고리즘을^[7] 사용한 액션 모델 학습 또는 가능한 액션 모델의 공간을 통한 다단계 탐욕 검색.^[8] 1992년부터의 구 논문에서는 강화 학습의 연장선상에서 액션 모델 학습을 연구하였다.^[9]

문학

대부분의 액션 학습 연구 논문은 인공지능(AIR), 인공지능(AIR), 응용 인공지능(AI) 또는 AAAI 컨퍼런스(Journal of Infrastructure Intelligence Research, JAI), 인공지능(AI)에 초점을 맞춘 저널과 컨퍼런스에 게재된다. 주제들의 상호 관련성에도 불구하고, 액션 모델 학습은 보통 ICAPS와 같은 계획 회의에서 다루어지지 않는다.

참고 항목

• 머신러닝
• 자동화된 계획 및 스케줄링
• 액션어
• PDDL
• 아키텍처 설명 언어
• 귀납적 추리
• 계산 논리학
• 지식 표현

참조