A hierarchical two-tier approach to hyper-parameter optimization in reinforcement learning | ||
| dc.conicet.organizacion | Universidad Tecnologica Nacional. Facultad Regional Villa Maria | |
| dc.conicet.organizacion | Universidad Tecnologica Nacional. Facultad Regional Villa Maria | |
| dc.conicet.organizacion | Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Centro de Investigaciones y Transferencia de Villa María. Universidad Nacional de Villa María. Centro de Investigaciones y Transferencia de Villa María | |
| dc.conicet.organizacion | Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Desarrollo y Diseño. Universidad Tecnológica Nacional. Facultad Regional Santa Fe. Instituto de Desarrollo y Diseño | |
| dc.conicet.rol | Autor | |
| dc.conicet.rol | Autor | |
| dc.conicet.rol | Autor | |
| dc.contributor.author | Barsce, Juan Cruz | |
| dc.contributor.author | Palombarini, Jorge Andrés | |
| dc.contributor.author | Martínez, Ernesto Carlos | |
| dc.coverage | Nacional | |
| dc.date.evento | 2019-09-16 | |
| dc.date.issued | 2019 | es |
| dc.description.abstract | Optimization of hyper-parameters in reinforcement learning (RL) algorithms is a key task, because they determine how the agent will learn its policy by interacting with its environment, and thus what data is gathered. In this work, an approach that uses Bayesian optimization to perform a two-step optimization is proposed: first, categorical RL structure hyper-parameters are taken as binary variables and optimized with an acquisition function tailored for such variables. Then, at a lower level of abstraction, solution-level hyper-parameters are optimized by resorting to the expected improvement acquisition function, while using the best categorical hyper-parameters found in the optimization at theupper-level of abstraction. This two-tier approach is validated in a simulated control task. Results obtained are promising and open the way formore user-independent applications of reinforcement learning. | es |
| dc.description.ciudadEvento | Salta | es |
| dc.description.fil | Fil: Barsce, Juan Cruz. Universidad Tecnologica Nacional. Facultad Regional Villa Maria; Argentina | |
| dc.description.fil | Fil: Palombarini, Jorge Andrés. Universidad Tecnologica Nacional. Facultad Regional Villa Maria; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Centro de Investigaciones y Transferencia de Villa María. Universidad Nacional de Villa María. Centro de Investigaciones y Transferencia de Villa María; Argentina | |
| dc.description.fil | Fil: Martínez, Ernesto Carlos. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Desarrollo y Diseño. Universidad Tecnológica Nacional. Facultad Regional Santa Fe. Instituto de Desarrollo y Diseño; Argentina | |
| dc.description.institucionOrganizadora | Sociedad Argentina de Informática | es |
| dc.description.nombreEvento | XX Simposio Argentino de Inteligencia Artificial | es |
| dc.description.paisEvento | Argentina | es |
| dc.format | application/pdf | es |
| dc.identifier.citation | A hierarchical two-tier approach to hyper-parameter optimization in reinforcement learning; XX Simposio Argentino de Inteligencia Artificial; Salta; Argentina; 2019; 32-38 | es |
| dc.identifier.institucional | CONICET | |
| dc.identifier.issn | 2451-7585 | es |
| dc.identifier.repo | CONICET Digital | |
| dc.identifier.uri | http://hdl.handle.net/11336/182932 | |
| dc.journal.ciudad | Buenos Aires | es |
| dc.journal.pagination | 32-38 | es |
| dc.journal.pais | Argentina | es |
| dc.language.iso | eng | es |
| dc.publisher | Sociedad Argentina de Informática e Investigación Operativa | es |
| dc.relation.alternativeid | info:eu-repo/semantics/altIdentifier/url/http://sedici.unlp.edu.ar/handle/10915/87851 | |
| dc.rights | info:eu-repo/semantics/openAccess | * |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-sa/2.5/ar/ | * |
| dc.source.revista | XX Simposio Argentino de Inteligencia Artificial | es |
| dc.subject | AUTONOMOUS LEARNING | es |
| dc.subject | BAYESIAN OPTIMIZATION | es |
| dc.subject | DEEP LEARNING | es |
| dc.subject | REINFORCEMENT LEARNING | es |
| dc.subject.classification | Sistemas de Automatización y Control | es |
| dc.subject.classification | Ingeniería Eléctrica, Ingeniería Electrónica e Ingeniería de la Información | es |
| dc.subject.classification | INGENIERÍAS Y TECNOLOGÍAS | es |
| dc.title | A hierarchical two-tier approach to hyper-parameter optimization in reinforcement learning | es |
| dc.type | info:eu-repo/semantics/publishedVersion | |
| dc.type | info:eu-repo/semantics/conferenceObject | |
| dc.type | info:ar-repo/semantics/documento de conferencia | |
| dc.type.publicacion | Journal | es |
| dc.type.subtype | Simposio | es |
Archivos
Bloque original
Cargando...
- Nombre:
- CONICET_Digital_Nro.9fecd876-2e31-426b-9f6d-6ec496371d65_A.pdf
- Tamaño:
- 350.91 KB
- Formato:
- Adobe Portable Document Format