強化学習に関する研究一覧


　
概要

一般に，強化学習は，次の２種類の行動が混在されているので， 環境との相互作用の回数が必要以上に多くなる．
イ）環境同定のための行動
ロ）価値関数更新のための行動

イ）は止むを得ない
ロ）に何故，貴重な行動コストをかける？

→環境同定型強化学習手法（k-確実探査法[宮崎95]，l-確実探査法[宮崎96]）の提案
→さらに報酬獲得と環境同定のトレードオフの考慮（MarcoPolo[宮崎97]）

今後の課題：MDPsを超えるクラスを効率よく同定できる手法の提案


　
公表論文

  1. 宮崎和光，山村雅幸，小林重信，
    k-確実探査法：強化学習における環境同定のための行動選択戦略，
    人工知能学会誌，Vol.10, No.3, pp.454-463 (1995).

  2. 宮崎和光，山村雅幸，小林重信，
    l-確実探査法： エージェントによる環境同定のための行動選択戦略
    〜k-確実探査法の不確実性下への拡張〜，
    人工知能学会誌, ショートノート, Vol.11, No.5, pp.804-808 (1996).

  3. Miyazaki, K., Yamamura, M. and Kobayashi, S.,
    k-Certainty Exploration Method : An Action Selector to identify the environment in reinforcement learning,
    Artificial Intelligence, Vol.91, No.1, pp.155-171 (1997).

  4. 宮崎和光，山村雅幸，小林重信，
    MarcoPolo： 報酬獲得と環境同定のトレードオフを考慮した強化学習システム，
    人工知能学会誌，Vol.12, No.1, pp.78-89 (1997).

宮崎和光のホームページへ