Resumen

Estudios anteriores han demostrado que el entrenamiento de un modelo de refuerzo para el problema de clasificación lleva mucho tiempo, incluso para pequeños conjuntos de datos. Para estudiar si el aprendizaje de transferencia podría mejorar el proceso de entrenamiento del aprendizaje de refuerzo, empleamos el aprendizaje Q como base del algoritmo de aprendizaje de refuerzo, aplicamos el problema de clasificación como caso de estudio y evaluamos el rendimiento desde dos aspectos, el gasto de tiempo y la capacidad cerebral. Comparamos el número total de pasos de entrenamiento entre los métodos de no transferencia y de transferencia para estudiar las eficiencias y evaluar sus diferencias en la capacidad cerebral (es decir, el porcentaje de los valores Q actualizados en la tabla Q). Según nuestros resultados experimentales, la diferencia en el número total de pasos de entrenamiento será menor cuando aumente el tamaño de los números a ordenar. Nuestros resultados también muestran que las capacidades cerebrales del aprendizaje por refuerzo con transferencia y sin transferencia serán similares cuando ambos alcancen un nivel de entrenamiento similar.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:número de entrenamientos, capacidad cerebral, paso de entrenamiento, número total, algoritmo de aprendizaje por refuerzo, conjunto de datos, aprendizaje por refuerzo sin transferencia, capacidad de transferencia, proceso de refuerzo, nivel de entrenamiento similar
• Keywords:number of training, brain capacity, training step, total number, reinforcement learning algorithm, set of data, nontransfer reinforcement learning, capacity of transfer, process of reinforcement, similar training level