Descripción del proyecto
Un gran paso adelante en el aprendizaje por refuerzo
El aprendizaje a través de la interacción es un concepto fundamental subyacente a prácticamente todas las teorías sobre el aprendizaje y la inteligencia. En comparación con otros enfoques del aprendizaje automático, el aprendizaje por refuerzo se centra mucho más en cuestiones computacionales que surgen cuando los agentes de «software» aprenden a través de la interacción con un entorno. El proyecto financiado con fondos europeos COLT-MDP tiene por objetivo mejorar enfoques teóricos punteros para el aprendizaje por refuerzo. El estudio girará en torno a tres pilares. El diseño de modelos de representación compactos permitirá a los investigadores estructurar mejor problemas complejos. Esto podría ampliar las posibilidades de aplicación del aprendizaje por refuerzo a numerosos ámbitos. Además, los investigadores desarrollarán algoritmos de computación eficientes. Motivados por ciertas preocupaciones públicas, cada vez más actividades de investigación abordarán cuestiones relacionadas con la equidad y privacidad en la inteligencia artificial.
Objetivo
Computational learning theory has been highly successful over the last three decades, both in providing deep mathematical theories and in influencing the practice of machine learning. One of the great recent successes of computational learning theory has been the study of online learning and multi-arm bandits. This line of research has been highly successful, both theoretically and practically, addressing many important applications. Unfortunately, the recent theoretical progress in Markov Decision Process and reinforcement learning has been slower.
Based on my fundamental contributions to reinforcement learning (e.g. policy gradient, sparse sampling and trajectory trees), to online learning and machine learning in general, I propose to take the theoretical and practical success of online learning to the “next level” by making significant breakthroughs in reinforcement learning. Our main aim is to advance the state of the art in the theory of reinforcement learning, and our research will revolve around three pillars: (1) compact representation, (2) efficient computation and (3) societal challenges, including fairness and privacy.
A successful project will greatly impact reinforcement learning in all its stages. Modelling: Introducing new compact representation models, will enhance our understanding how to structure complex problems, which would greatly extend the applicability of reinforcement learning. Efficient computation: New algorithmic methodologies will give new insight for overcoming computational and statistical barriers both for planning and learning. Learning: New learning paradigms would address fundamental issues of copping with uncertainties in complex control environments of reinforcement learning. Societal challenges: Allowing the community to understand, assess, address and overcome societal challenges is of the greatest importance to the acceptance of AI methodologies by the general public.
Ámbito científico
Programa(s)
Régimen de financiación
ERC-ADG - Advanced GrantInstitución de acogida
69978 Tel Aviv
Israel