Reconstruction d'état caché avec cartes auto-organisatrices récurrentes
Abstract
Quand les ´etats d’un processus ne sont pas Markoviens
(POMDP par exemple), la convergence
des algorithmes d’apprentissage par renforcement
n’est pas garantie. Une solution est de reconstruire
un processus Markovien en partant de
la s´equence des ´etats. Dans ce but, nous explorons
les capacit´es d’architectures r´ecurrentes
qui s’appuient sur des cartes neuronales autoorganisatrices
pour apprendre `a pr´edire des
s´equences d’observations issues de HMM.
Origin : Files produced by the author(s)