Show simple item record

Transferable state & action embeddings in deep reinforcement learning

dc.contributor.advisorKasnesis, Panagiotis
dc.contributor.authorΕλευθερίου, Δημήτριος
dc.date.accessioned2024-07-31T08:24:36Z
dc.date.available2024-07-31T08:24:36Z
dc.date.issued2024-07
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/7271
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-7103
dc.description.abstractThis thesis delves into two primary areas: the impact of transfer learning on the performance of RL algorithms and the implementation of a transformers-based architecture for learning representations of both states and actions. The proposed architecture, named JASE-DQN (Joint Action and State Embeddings Deep Q-Network), introduces a novel approach by concurrently learning latent representations of state and action attributes, as well as their interdependencies. Transfer learning process is facilitated through the integration of pretrained models for state and action representations within a cross-attention transformer framework.el
dc.format.extent65el
dc.language.isoenel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rightsAttribution-NoDerivatives 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-nd/4.0/*
dc.subjectDeep reinforcement learningel
dc.subjectEmbeddingsel
dc.subjectTransfer learningel
dc.subjectTransformersel
dc.subjectAtari gamesel
dc.subjectΜεταφορά μάθησηςel
dc.subjectΒαθιά ενισχυτική μάθησηel
dc.subjectΕνισχυτική μάθησηel
dc.titleTransferable state & action embeddings in deep reinforcement learningel
dc.title.alternativeΜεταβιβάσιμες αναπαραστάσεις καταστάσεων και δράσεων στη βαθιά ενισχυτική μάθησηel
dc.typeΜεταπτυχιακή διπλωματική εργασίαel
dc.contributor.committeePatrikakis, Charalampos
dc.contributor.committeeLeligou, Helen C. (Nelly)
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικώνel
dc.contributor.departmentΤμήμα Μηχανικών Βιομηχανικής Σχεδίασης και Παραγωγήςel
dc.contributor.masterΤεχνητή Νοημοσύνη και Βαθιά Μάθησηel
dc.description.abstracttranslatedΑυτή η διπλωματική εργασία εξετάζει δύο κύριους τομείς: την επίδραση της μεταφοράς μάθησης στην απόδοση των αλγορίθμων ενισχυτικής μάθησης και την εφαρμογή μιας αρχιτεκτονικής βασισμένης σε transformers για την εκμάθηση αναπαραστάσεων τόσο των καταστάσεων όσο και των ενεργειών. Η προτεινόμενη αρχιτεκτονική, με την ονομασία JASE-DQN (Joint Action and State Embeddings Deep Q-Network), εισάγει μια νέα προσέγγιση μαθαίνοντας ταυτόχρονα λανθάνουσες αναπαραστάσεις των χαρακτηριστικών καταστάσεων και ενεργειών, καθώς και τις αλληλεξαρτήσεις τους. Η διαδικασία μεταφοράς μάθησης διευκολύνεται μέσω της ενσωμάτωσης προεκπαιδευμένων μοντέλων για τις αναπαραστάσεις καταστάσεων και ενεργειών μέσα σε ένα πλαίσιο cross-attention transformer.el


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές