GLiBRL:精确贝叶斯推理元强化学习框架
热点事件持续更新
GLiBRL:精确贝叶斯推理元强化学习框架
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
Jingyang You 与 Hanna Kurniawati 提出 GLiBRL 深度贝叶斯元强化学习框架,将广义线性任务模型与可学习非线性基函数结合,用共轭贝叶斯推理对任务参数和模型噪声做精确的序列后验更新。 据作者介绍,该框架以闭式边际似然替代变分推断。目前公开信息为 arXiv cs.AI 上的论文,尚无实验效果或应用验证的报道。
AI 根据报道生成 · 54 分钟前更新
最新进展11月20日 13:00
GLiBRL:用广义线性任务模型实现精确贝叶斯推理的元强化学习框架报道时间线
沿着报道,了解事件的不同侧面。
11月20日
- arXiv cs.AIGLiBRL:用广义线性任务模型实现精确贝叶斯推理的元强化学习框架
GLiBRL 是一个深度贝叶斯强化学习框架,将广义线性任务模型与可学习非线性基函数结合,通过共轭贝叶斯推理实现任务参数与模型噪声的精确序列后验更新,并用闭式边际似然替代变分推断。
本事件热度走势
还没有足够的连续观测数据,暂不绘制趋势。