多智能体强化学习MARL

【论文解读】：大模型免微调的上下文对齐方法

本文通过对alignmenttuning的深入研究揭示了其“表面性质”，即通过监督微调和强化学习调整LLMs的方式可能仅仅影响模型的语言风格，而对模型解码性能的影响相对较小。
深度人工智能·2023-12-23 14:52

强化学习--免模型预测与控制

免模型预测与控制强化学习免模型预测与控制免模型预测蒙特卡洛估计时序差分估计时序产分与蒙特卡洛的比较免模型控制Q-learning免模型预测蒙特卡洛估计蒙特卡洛估计方法在强化学习中是免模型预测价值函数的方式之一
无盐薯片·2023-12-23 13:33

强化学习--DQN

DQN强化学习DQN深度网络经验回放目标网络深度网络一个神经网络能够将输入向量映射到输出向量，这个映射过程可以用下式表示。
无盐薯片·2023-12-23 13:33

强化学习--DDPG

DDPG强化学习DDPGDPGDDPGDPGDQN算法的一个主要缺点就是不能用于连续动作空间，这是因为在DQN算法中动作是通过贪心策略或者说argmax的方式来从Q函数间接得到，这里Q函数就相当于DDPG
无盐薯片·2023-12-23 13:01

大数据、知识图谱和强化学习的综合应用

大数据、知识图谱和强化学习各自在不同的方面都发挥了重要作用，它们分别涉及了大规模数据的处理和挖掘、基于图的数据结构和信息提取，以及基于奖励反馈的决策制定。
道亦无名·2023-12-23 13:36

【大模型实践】基于文心一言的对话模型设计

文心一言从数万亿数据和数千亿知识中融合学习，得到预训练大模型，在此基础上采用有监督精调、人类反馈强化学习、提示等技术，具备知识增强、检索增强和对话增强的技术优势。
justld·2023-12-23 12:09

乌梅丸证及乌梅的药性–90天强化学习–周丹

乌梅丸证伤寒，脉微而厥，至七八日，肤冷，其人躁、无暂安时者，此为脏厥，非蚘厥也。蚘厥者，其人当吐蚘。今病者静，而复时烦，此为脏寒，蚘上入其膈，故烦。须臾复止，得食而呕又烦者，蚘闻食臭出，其人当自吐蚘。蚘厥者，乌梅丸主之。又主久利。乌梅丸方乌梅三百枚细辛六两干姜十两黄连十六两当归四两附子六两（炮去皮）蜀椒四两（出汗）桂枝六两（去皮）人参六两黄柏六两右十味，异捣筛，合治之，以苦酒渍乌梅一宿，去核，蒸之
经方临证经验录·2023-12-23 09:57

人工智能，什么是强化学习？

强化学习已成为机器学习中一个很有前途的领域，可以解决通常处于不确定性状态的顺序决策问题。
人工智能MOS·2023-12-23 08:44

智能游戏设计：发展历程、问题与解决、未来展望

1.2强化学习
鳗小鱼·2023-12-22 22:34

第一章：马尔科夫决策过程（不可能看不懂）

目录一、预备知识二、马尔可夫决策过程三、马尔可夫性质四、回报五、状态转移矩阵六、小结一、预备知识本节主要介绍强化学习最基本的问题模型，马尔科夫决策过程（Markovdecisionprocess，MDP
代码kobe·2023-12-22 19:28

ChatGPT一周年：开源语言大模型的冲击

通过有监督微调和人类反馈的强化学习，模型可以回答人类问题，并在广泛的任务范围内遵循指令。
OneFlow深度学习框架·2023-12-22 13:46

行为心理学的认识-操作性条件作用

这就是操作条件作用的正强化学习，当然有正的就有反的。基本的意思是，有一个事物可以刺激到你，是你感兴趣或者使你厌恶，但是你要想得到或者远离这个刺激
两点半的早晨·2023-12-22 03:37

RLHF介绍及实践测试

介绍RLHF（ReinforcementLearningHyperparameterOptimizationFramework）是一种用于强化学习模型的超参数优化框架。
Charles_yy·2023-12-21 21:32

二阶多智能体的一致性-包含matlab仿真代码

模型这里仅用一个简单的双积分模型{x˙i=viv˙i=ui\begin{equation}\begin{cases}{\dotx}_i=v_i\\{\dotv}_i=u_i\\\end{cases}\end{equation}{x˙i=viv˙i=ui我们的控制最终的期望是使得状态趋于一致，即lim⁡t→∞∣xi−xj∣=0lim⁡t→∞∣vi−vj∣=0\begin{aligned}\lim_{
LyaJpunov·2023-12-21 16:24

马尔可夫链蒙特卡罗方法，变分贝叶斯推断和巴纳赫不动点在强化学习中的应用

1.马尔可夫链蒙特卡罗（MCMC）方法和变分贝叶斯推断方法马尔可夫链蒙特卡罗（MCMC）方法和变分贝叶斯推断方法在强化学习中的应用具有重要意义。
笑傲江湖2023·2023-12-21 16:54

双极限齐次性(二)、推导二阶非线性多智能体固定时间一致性协议(第二部分)

2.3、证明系统是全局渐进稳定的证明z˙=ψ\dotz=\psiz˙=ψ是全局渐进稳定的选择李雅普诺夫函数V=V1+V2+V3V=V_1+V_2+V_3V=V1+V2+V3V1=l11+α1∑i=1N∑j=1Npiaij∣x~i−x~j∣1+α1+l21+α2∑i=1N∑j=1Npiaij∣x~i−x~j∣1+α2V2=cx~TL^x~V3=∑i=1Npi(x~i+v~i)2\begin{alig
LyaJpunov·2023-12-21 16:53

双极限齐次性(二)、推导二阶非线性多智能体固定时间一致性协议(第一部分)

双极限齐次性(二)、推导二阶非线性多智能体固定时间一致性协议0、相关定理引理多智能体模型{x˙i(t)=vi(t)v˙i(t)=ui(t)+f(xi,vi)+di(t)\begin{equation}\
LyaJpunov·2023-12-21 16:23

全新「机械手」算法：辅助花式抓杯子，GTX 1650实现150fps推断

新方法结合扩散模型和强化学习，将抓取问题分解为「如何抓」以及「何时抓」，平价显卡即可实现实时交互。手是人类与世界交互的重要部分，手的缺失（如上肢残障）会大大影响人类的正常生活。
xwz小王子·2023-12-21 14:17

腾讯多任务强化学习算法登上顶刊TPAMI

一、概要编辑切换为居中添加图片注释，不超过140字（可选）论文标题：Curriculum-basedAsymmetricMulti-taskReinforcementLearning论文链接：https://arxiv.org/pdf/2211.03352.pdf代码链接：https://github.com/huanghanchi/CAMRL这是一篇2022年被IEEETransactionso
一阙词·2023-12-21 13:43

TPAMI: 基于强化学习的灵巧双手操作技能学习

最近，强化学习（RL）算法在许多需要决策领域的表现都优于人类专家。
xwz小王子·2023-12-21 13:10

AI百模大战：引领行业变革与开启人才黄金时代

个人博客：个人主页个人专栏：Linux学习⛳️功不唐捐，玉汝于成目录前言技术进步：AI的飞速发展1.深度学习的多领域应用2.自然语言处理的语境理解提升3.计算机视觉的实时处理能力提高4.强化学习在决策制定中的广泛应用
还在路上的秃头·2023-12-21 12:37

[ToolsChains CPP] Osqp的使用之二：MPCdemo-自动驾驶纵向mpc控制

135070489本文将先解读官网mpc的例子，然后实现一个自己设计的mpc的控制器；不远的未来的目标是成为我闭环仿真器（轨迹处理、规划、控制接入基于学习的车辆模型）的一环（目前是pp控制），遥远的未来实现强化学习自动调整参数
HERR_QQ·2023-12-21 09:48

MATLAB - 最优控制（Optimal Control）

一些广泛使用的最优控制方法有：线性二次调节器(LQR)/线性二次高斯(LQG)控制模型预测控制强化学习极值搜索控制H无穷综合一、线性二次调节器(LQR)/线性二次高斯(LQG)控制线性二次调节器(LQR
kuan_li_lyg·2023-12-21 08:59

「65页PDF」让 PM 全面理解深度学习

访问「easyAI-产品经理的AI知识库」下载PDF下面是内容结构和长图：深度学习全景图深度学习概要卷积神经网络-CNN循环神经网络-RNN长短期记忆网络–LSTM生成对抗网络–GANs强化学习-Reinforcementlearning
easyAI人工智能知识库·2023-12-21 04:13

Course3-Week3-强化学习

Course3-Week3-强化学习文章目录Course3-Week3-强化学习1.强化学习的问题引入1.1什么是强化学习1.2强化学习示例1.3数学符号2.离散状态空间的强化学习2.1回报2.2策略2.3
虎慕·2023-12-20 19:30

NLP论文阅读记录 - AAAI-23 | 01 Cogito Ergo Summ：通过语义解析图和一致性奖励对生物医学论文进行抽象总结

文章目录前言0、论文摘要一、Introduction1.1目标问题1.2相关的尝试1.3本文贡献二.相关工作2.1抽象概括2.2图增强摘要2.3抽象概括的强化学习三.本文方法COGITOERGOSUMM
yuyuyu_xxx·2023-12-20 18:41

Pytorch深度强化学习案例：基于Q-Learning的机器人走迷宫

目录0专栏介绍1Q-Learning算法原理2强化学习基本框架3机器人走迷宫算法3.1迷宫环境3.2状态、动作和奖励3.3Q-Learning算法实现3.4完成训练4算法分析4.1Q-Table4.2奖励曲线
Mr.Winter`·2023-12-20 12:43

【强化学习】Deep Q Learning

DeepQLearning在前两篇文章中，我们发现RL模型的目标是基于观察空间(observations)和最大化奖励和(maximumizesumrewards)的。如果我们能够拟合出一个函数(function)来解决上述问题，那就可以避免存储一个(在DoubleQ-Learning中甚至是两个)巨大的Q_table。Tabular->FunctionContinousObservation:函
Hellespontus·2023-12-20 06:12

如何在短期内高效备考税务师

公共号聚鑫财会资料首先今年新增、改动的章节需要重点学习；其次，掌握每个章节的高频考点；最后熟悉考试特点、考试题型及分值占比等，通过做大量的习题来巩固知识点，强化学习效果。
6ca5b1771246·2023-12-19 15:50

用Q-learning算法实现自动走迷宫机器人

2019独角兽企业重金招聘Python工程师标准>>>【技术沙龙002期】数据中台：宜信敏捷数据中台建设实践|宜信技术沙龙将于5月23日晚8点线上直播，点击报名项目描述：在该项目中，你将使用强化学习算法
weixin_33901641·2023-12-19 15:59

python实现 Qlearning算法 完整的输入输出测试数据

Q-learning是一种强化学习算法，用于解决基于动作-奖励机制的问题。以下是一个简单的Python实现Q-learning算法的示例，以解决一个简单的迷宫问题。
甜辣uu·2023-12-19 15:28

【Hung-Yi Lee】强化学习笔记

文章目录WhatisRLPolicyGradientPolicyGradient实际是怎么做的On-policyv.s.Off-policyExploration配音大师Actor-Critic训练valuefunction的方式网络设计DQNRewardShapingNoReward：LearningfromDemonstrationWhatisRL定义一个策略网络，来接受输入，并决定什么输出不
丸丸丸子w·2023-12-19 14:47

【百度PARL】强化学习笔记

文章目录强化学习基本知识一些框架Value-based的方法Q表格举个例子强化的概念TD更新Sarsa算法SampleSarsaAgent类On_policyvsoff_policy函数逼近与神经网络DQN
丸丸丸子w·2023-12-19 14:44

MetaGPT：多智能体协作

图：MetaGPT的Logo然而，MetaGPT所展示出的多智能体协作生成复杂软件的案例，给了我们不一样的感
vastgrassland·2023-12-19 10:18

MetaGPT：使GPT扮演产品经理、架构师、项目经理、工程师，解决复杂项目问题

MetaGPT刚刚发布，它是一个革命性的多智能体元编程框架，设计来协同解决复杂问题。欢迎试用、分享反馈。
alexapollo·2023-12-19 10:17

MetaGPT v0.3：人与多智能体合作的新篇章

01功能集成LanceDB作为文档存储。添加新角色TutorialAssistant。在编写prd、设计api和项目管理行动中引出json格式的响应。支持更多的mermaid转换选项，包括nodejs（默认的mmdc）、playwright、pyppeteer或ink。添加新动作DetailMining。引入open-interpreter作为代码编写和运行的工具。添加新动作PrepareInte
DeepWisdom·2023-12-19 10:45

MetaGPT实现多智能体通信，智能体也能轻松狼人杀

概述狼人杀游戏是一种受欢迎的多人沟通策略游戏。在Xu等人所作的《ExploringLargeLanguageModelsforCommunicationGames:AnEmpiricalStudyonWerewolf》（以下简称“论文”）为题的论文中，展示了大型语言模型（LLM）在游戏中的潜力。考虑到MetaGPT作为一个智能体框架，我们提出了这个挑战：我们能否使用MetaGPT来快速复制生动的游
DeepWisdom·2023-12-19 10:44

多智能体框架MetaGPT：给定需求，输出产品文档、技术设计、项目工程

介绍多智能体框架MetaGPT开源了：https://github.com/geekan/MetaGPT输入一句话需求，它就可以运行一个软件公司，输出产品文档/设计文档/任务/代码REPO它能设计一个类似今日头条的推荐系统
DeepWisdom·2023-12-19 10:14

机器学习之神经结构搜索（Neural Architecture Search，NAS）

通常，这个搜索过程可以通过强化学习、进化算法、遗传算法或其他优化方法来完成。神经结构搜索的目标是提高神经网络的性能，减少人工设计网络结构的工作量，并提高模型的泛化能力。
贾斯汀玛尔斯·2023-12-19 08:14

python Markov马尔科夫网络节点状态预测并筛选小样本

之前写的基于马尔科夫的小样本节点检测文章里的内容~~马尔科夫决策过程是在随机过程的基础上提出来的，是对强化学习(RL)问题的数学描述。
JerryLoveCoding·2023-12-19 05:02

深度强化学习之：PPO训练红白机1942

本篇是深度强化学习动手系列文章，自MyEncyclopedia公众号文章深度强化学习之：DQN训练超级玛丽闯关发布后收到不少关注和反馈，这一期，让我们实现目前主流深度强化学习算法PPO来打另一个红白机经典游戏
人工智能与算法学习·2023-12-18 12:19

如何选择深度强化学习算法：MuZero/SAC/PPO/TD3/DDPG/DQN/等算法

赶时间请直接看加粗的四种算法，它们占据不同的生态位，请根据实际任务需要去选择他们，在强化学习的子领域（多智能体、分层强化学习、逆向强化学习也会以它们为基础开发新的算法）：离散动作空间推荐：DuelingDoubleDQN
汀、人工智能·2023-12-18 12:18

【李宏毅深度强化学习笔记】2、Proximal Policy Optimization算法(PPO)

【李宏毅深度强化学习笔记】1、策略梯度方法（PolicyGradient）【李宏毅深度强化学习笔记】2、ProximalPolicyOptimization(PPO)算法（本文）【李宏毅深度强化学习笔记
qqqeeevvv·2023-12-18 12:15

深度强化学习：（七）PPO

一、TRPOTRPO算法是Shulman博士为了解决普通的策略梯度算法无法保证性能单调非递减而提出来的方法。也就是说，普通的策略梯度算法无法解决更新步长的问题，对于普通的策略梯度方法，如果更新步长太大，则容易发散；如果更新步长太小，即使收敛，收敛速度也很慢。Shulman并不从策略梯度的更新步长下手，而是换了一个思路：更换优化函数。通过理论推导和分析，Shulman找到一个替代损失函数（Surro
Warship_·2023-12-18 12:44

深度强化学习（DRL）简介与常见算法（DQN，DDPG，PPO，TRPO，SAC）分类

简单介绍深度强化学习的基本概念，常见算法、流程及其分类（持续更新中），方便大家更好的理解、应用强化学习算法，更好地解决各自领域面临的前沿问题。欢迎大家留言讨论，共同进步。
行至为成·2023-12-18 12:44

【深度强化学习】TRPO、PPO

策略梯度的缺点步长难以确定，一旦步长选的不好，就导致恶性循环步长不合适→策略变差→采集的数据变差→（回报/梯度导致的）步长不合适步长不合适\to策略变差\to采集的数据变差\to（回报/梯度导致的）步长不合适步长不合适→策略变差→采集的数据变差→（回报/梯度导致的）步长不合适一阶信息不限制步长容易越过局部最优，而且很难回来TRPO置信域策略优化思想：步子不要太大，应该保证更新在某个邻域内∣∣θ−θ
x66ccff·2023-12-18 12:13

通信协议UART、i2c、SPI与电平标准梳理

最近强化学习了一遍这些概念
lagransun·2023-12-18 11:14

基于多智能体系统一致性算法的电力系统分布式经济调度策略MATLAB程序

微❤关注“电气仔推送”获得资料（专享优惠）参考文献：主要内容：应用多智能体系统中的一致性算法，以发电机组的增量成本和柔性负荷的增量效益作为一致性变量，设计一种用于电力系统经济调度的算法，通过分布式优化的方式求解经济调度问题
学习不好的电气仔·2023-12-18 06:25

机器学习之机器学习的分类

本讲的主要内容：-1.机器学习算法按照任务性质的不同：监督学习+强化学习--1.1监督学习（supervisedlearning）：所有的经验E都是人工采集并输入计算机的-----1.1.1传统的监督学习
辣椒种子·2023-12-18 04:16

OpenAI开源超级对齐方法：用GPT-2，监督、微调GPT-4

目前，大模型的主流对齐方法是RLHF（人类反馈强化学习）。但随着大模型朝着多模态、AGI发展，神经元变得庞大、复杂且难控制，RLHF便有点力不从心。
richerg85·2023-12-18 02:33
上一页 8 9 10 11 12 13 14 15 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他