Tomo's publication index Page へ戻る
Tomo's research Page へ戻る
Tomo's Top Page へ戻る
2001２００１年３月８日(木) １０：００〜１７：００， 中央電気倶楽部 ，
電気学会関西支部，平成１２年度(第８回)高専卒業研究発表会,
大阪中央電気倶楽部５１１会議室
(大阪市北区堂島浜2-1-25)
（堂島地下街南詰を右に上がり、右へ５０ｍ、左側の煉瓦造り建物）
弦川 浩尚，山口 智浩，POMDPモデルによる大規模MDP環境の近似的な強化学習法，
電気学会関西支部 平成１２年度(第８回)高専卒業研究発表会, pp.-, 2001.3.8
丸川 亨，山口 智浩，動機付けルールを用いた相互作用的マルチエージェント強化学習，
電気学会関西支部 平成１２年度(第８回)高専卒業研究発表会, pp.-, 2001.3.8
２００１年３月６日(火) ９：００〜１７：００， 大阪大学工学部 吹田キャンパス，
電子情報通信学会 関西支部 学生会， 学生研究発表講演会
北村 由紀，山口 智浩， r-確実探査法：学習環境の変動点推定による最近データでの強化学習， アブストラクト------------------------------------------- 強化学習における従来の環境同定手法では，学習途中に環境の性 質が変化すると，モデルの同定精度が悪化する，という問題点が あった． そこで，学習環境の変動点を推定し，変動後，最近r回の サンプリングデータのみを用いてモデルの同定精度同定精度の悪化 を防ぐアルゴリズム： r-確実探査法を提案する．本研究では，最 尤推定確率の逐次差分 を定義し，この性質を利用して，r-確実探 査法における変動点検出を行なった． ----------------------------------------------------------- 石村 健二，山口 智浩， RAE-PIA: 複数報酬環境下における最適政策の効率的強化学習， アブストラクト--------------------------------------------- 最適政策を求める大半の強化学習研究は，割引期待報酬和の最大化 を学習基準としている．しかしながら，割引率を用いる従来手法で は，最適政策の質と学習速度とが両立しないという問題点があった． そこで本研究では，非割引型最適化手法として，報酬の大きさと報 酬からの期待距離を用いて報酬獲得効率:RAEを定義し，RAEを最大 化する最適政策を効率的に学習するRAE-PIA手法を提案し，割引型 PIA手法との比較学習実験を行う． ------------------------------------------------------------ 天正 新二郎，山口 智浩， 優先掃き出し法による最適政策の効率的な強化学習， アブストラクト--------------------------------------------- 強化学習の分野において，最適政策を求める手法に政策反復アルゴ リズム（PIA）がある．しかしながら，PIAは問題とする環境が大き くなると学習コストが増大する，という問題点があった．そこで本 研究では，最適政策を効率的に求める手法である優先掃き出し法を 実装し，PIAとの比較学習実験を行い，優先掃き出し法の有効性， 問題点について考察・検討する． ------------------------------------------------------------ 渡辺 亮介，山口 智浩， 同型POMDP学習エージェント集団による大規模離散MDP問題の強化学習， アブストラクト--------------------------------------------- 一般に強化学習研究は多くの場合MDP環境を仮定するが，大規模な 問題は，状態数及び状態遷移数が組合せ的に増加するため，現実的 にはMDPモデル化が困難である．そこで本研究では，大規模な決定 的MDP環境を同型性を用いて部分観測し，現実的な大きさに圧縮し てPOMDPモデル化する強化学習手法を提案する．４x４オセロゲーム 環境の強化学習問題において，本手法と既存のMDPモデルによる手 法とを実験的に比較する． ------------------------------------------------------------ 堀口 正一，山口 智浩 ミラーエージェント:ユーザの行動履歴を可視化するユーザ支援システムの提案 アブストラクト--------------------------------------------- 現在，ユーザとコンピュータとのインタフェースを支援するインタ フェースエージェント技術の必要性が増している．しかしながら既 存の拡張現実感技術によるシステムは，既知の情報をユーザに提供 することが目的であった．そこで本研究では，ユーザの行動履歴を 鏡に映してユーザに提示するミラーエージェントを提案し，ユーザ の行動履歴からエージェントが学習した結果をユーザに提示し，ユー ザに新たな発想を促す手法を実験する． ------------------------------------------------------------ 2001年度人工知能学会全国大会（第15回），2001.5.26
渡辺, 亮介，堀口, 正一，山口, 智浩， 同型POMDPエージェント集団による大規模MDPの強化学習
2001年度人工知能学会全国大会（第15回），2001.5.26
アブストラクト---------------------------------------------- 一般に強化学習研究は多くの場合MDP環境を仮定するが，大規模な 問題は，状態数及び状態遷移数が組合せ的に増加するため，現実 的にはMDPモデル化が困難である．そこで本研究では，大規模な決 定的MDP環境を部分観測化し，現実的な大きさに圧縮してモデル化 する強化学習手法を提案する．まず，問題全体の対称性を利用して， 複数の同型な部分観測MDP(POMDP)環境に分割してモデル化して１モ デル当たりの大きさを圧縮し，各同型POMDP環境下での強化学習エー ジェントを協調させて，全体を近似的に学習する手法を提案する． ４x４オセロゲーム環境の強化学習問題において，本手法と既存の MDPモデルによる手法とを実験的に比較する． ---------------------------------------------------------- 石村, 健二，天正, 新二郎，山口, 智浩， RAE-PIA: 複数報酬環境下における最適政策の効率的強化学習
2001年度人工知能学会全国大会（第15回），2001.5.26
アブストラクト---------------------------------------------- 最適政策を求める大半の強化学習研究は，割引期待報酬和の最大化 を学習基準としている．しかしながら，割引率を用いる既存手法は， 収束する政策が割引率に左右され，しかも割引率を１に近づけると 学習コストが増大する，つまり最適政策の質と学習速度とが両立し ないという問題点があった．そこで本研究では，非割引型最適化の 新手法として，報酬からの期待距離を用いて報酬獲得効率:RAEを定 義し，RAEを最大化する最適政策を効率的に学習するRAE-PIA手法に ついて述べる．今回は，複数報酬環境で最適政策を効率的に学習す る手法を提案し，割引型PIAの近似高速化手法である優先掃き出し 法との比較学習実験を行い，本手法の有効性を検証する． ----------------------------------------------------------
yamaguch@info.nara-k.ac.jp
Tomo's publication index Page へ戻る
Tomo's research Page へ戻る
Tomo's Top Page へ戻る