Transfer from Multiple MDPs

Alessandro Lazaric 1 Marcello Restelli 2
1 SEQUEL - Sequential Learning
LIFL - Laboratoire d'Informatique Fondamentale de Lille, Inria Lille - Nord Europe, LAGIS - Laboratoire d'Automatique, Génie Informatique et Signal
Abstract : Transfer reinforcement learning (RL) methods leverage on the experience collected on a set of source tasks to speed-up RL algorithms. A simple and effective approach is to transfer samples from source tasks and include them into the training set used to solve a given target task. In this paper, we investigate the theoretical properties of this transfer method and we introduce novel algorithms adapting the transfer process on the basis of the similarity between source and target tasks. Finally, we report illustrative experimental results in a continuous chain problem.
Type de document :
Rapport
[Technical Report] 2011
Liste complète des métadonnées

Littérature citée [14 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/inria-00618037
Contributeur : Alessandro Lazaric <>
Soumis le : jeudi 1 septembre 2011 - 11:13:43
Dernière modification le : jeudi 11 janvier 2018 - 06:22:13
Document(s) archivé(s) le : dimanche 4 décembre 2016 - 20:04:53

Fichiers

sourcetransfer-tech.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : inria-00618037, version 2
  • ARXIV : 1108.6211

Collections

Citation

Alessandro Lazaric, Marcello Restelli. Transfer from Multiple MDPs. [Technical Report] 2011. 〈inria-00618037v2〉

Partager

Métriques

Consultations de la notice

287

Téléchargements de fichiers

205