Детальная информация

Название: Нейросетевые системы управления на основе моделей глубокого обучения: научный доклад: направление подготовки 09.06.01 «Информатика и вычислительная техника» ; направленность 09.06.01_02 «Системный анализ, управление и обработка информации (по отраслям)»
Авторы: Ханафи Мохамед Яссин
Научный руководитель: Шкодырев Вячеслав Петрович
Организация: Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Выходные сведения: Санкт-Петербург, 2021
Коллекция: Научные работы аспирантов/докторантов; Общая коллекция
Тематика: Нейронные сети; Нефтепереработка; Искусственный интеллект; Автоматизированные системы планирования и управления; глубокое обучение с усилением; многоцелевая оптимизация; многоагентная система; иерархия Парето-оптимизация; deep reinforcement learning; multi objective optimization; multi-agent system; hierarchy Pareto optimization
УДК: 004.032.26; 665.6; 004.8; 658.513.2/.5
Тип документа: Научный доклад
Язык: Русский
Код специальности ФГОС: 09.06.01
Группа специальностей ФГОС: 090000 - Информатика и вычислительная техника
Права доступа: Текст не доступен в соответствии с распоряжением СПбПУ от 11.04.2018 № 141

Аннотация

Последовательное принятие решений остается активной областью исследований со многими теоретическими, методологическими и экспериментальными задачами, которые все еще остаются открытыми. Важные разработки в области глубокого обучения способствовали появлению множества новых направлений, где методы Обучение с усилением и глубокого обучения сочетаются. В частности, глубокое обучение принесло важные возможности обобщения, что открывает новые возможности для работы с большими, высоко размерными пространствами состояний и/или действий. Есть все основания полагать, что это развитие продолжится в ближайшие годы, с более эффективными алгоритмами и множеством новых приложений.

Sequential decision making remains an active area of research with many theoretical, methodological, and experimental challenges that are still open. Important developments in deep learning have contributed to many new directions where reinforcement learning and deep learning methods are combined. In particular, deep learning has brought important generalization capabilities that open up new possibilities for dealing with large, high-dimensional state and/or action spaces. There is every reason to believe that this development will continue in the coming years, with more efficient algorithms and many new applications.