跳到正文
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

报道时间线

沿着报道,了解事件的不同侧面。

11月20日
  1. arXiv cs.AI
    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

    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。