Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano italiano
CORDIS - Risultati della ricerca dell’UE
CORDIS

Provably Efficient Algorithms for Large-Scale Reinforcement Learning

Descrizione del progetto

Diffondere l’apprendimento per rinforzo teoricamente valido

L’apprendimento per rinforzo (RL, reinforcement learning) è una branca dell’apprendimento automatico che si occupa del modo in cui gli agenti intelligenti interagiscono con ambienti sconosciuti per massimizzare le loro ricompense. La potenziale applicazione delle tecniche di RL su problemi complessi del mondo reale, come il controllo autonomo dei veicoli o le reti energetiche intelligenti, ha accresciuto l’attenzione verso questo settore. Tuttavia, gli algoritmi di RL allo stato dell’arte non sono applicabili nei settori più promettenti, soprattutto a causa della mancanza di garanzie formali di prestazione. Il progetto SCALER, finanziato dall’UE, intende affrontare questa sfida adottando un approccio di principio per sviluppare una nuova generazione di algoritmi di apprendimento per rinforzo provatamente efficienti e scalabili. La metodologia si baserà sull’identificazione di nuove proprietà strutturali dei processi decisionali di Markov su larga scala che permettono un apprendimento efficiente dal punto di vista computazionale e statistico.

Obiettivo

Reinforcement learning (RL) is an intensely studied subfield of machine learning concerned with sequential decision-making problems where a learning agent interacts with an unknown reactive environment while attempting to maximize its rewards. In recent years, RL methods have gained significant popularity due to being the key technique behind some spectacular breakthroughs of artificial intelligence (AI) research, which renewed interest in applying such techniques to challenging real-world problems like control of autonomous vehicles or smart energy grids. While the RL framework is clearly suitable to address such problems, the applicability of the current generation of RL algorithms is limited by a lack of formal performance guarantees and a very low sample efficiency. This project proposes to address this problem and advance the state of the art in RL by developing a new generation of provably efficient and scalable algorithms. Our approach is based on identifying various structural assumptions for Markov decision processes (MDPs, the main modeling tool used in RL) that enable computationally and statistically efficient learning. Specifically, we will focus on MDP structures induced by various approximation schemes including value-function approximation and relaxations of the linear-program formulation of optimal control in MDPs. Based on this view, we aim to develop a variety of new tools for designing and analyzing RL algorithms, and achieve a deep understanding of fundamental performance limits in structured MDPs. While our main focus will be on rigorous theoretical analysis of algorithms, most of our objectives are inspired by practical concerns, particularly by the question of scalability. As a result, we expect that our proposed research will have significant impact on both the theory and practice of reinforcement learning, bringing RL methods significantly closer to practical applicability.

Parole chiave

Parole chiave del progetto, indicate dal coordinatore del progetto. Da non confondere con la tassonomia EuroSciVoc (campo scientifico).

Programma(i)

Programmi di finanziamento pluriennali che definiscono le priorità dell’UE in materia di ricerca e innovazione.

Argomento(i)

Gli inviti a presentare proposte sono suddivisi per argomenti. Un argomento definisce un’area o un tema specifico per il quale i candidati possono presentare proposte. La descrizione di un argomento comprende il suo ambito specifico e l’impatto previsto del progetto finanziato.

Meccanismo di finanziamento

Meccanismo di finanziamento (o «Tipo di azione») all’interno di un programma con caratteristiche comuni. Specifica: l’ambito di ciò che viene finanziato; il tasso di rimborso; i criteri di valutazione specifici per qualificarsi per il finanziamento; l’uso di forme semplificate di costi come gli importi forfettari.

ERC-STG - Starting Grant

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

Procedura per invitare i candidati a presentare proposte di progetti, con l’obiettivo di ricevere finanziamenti dall’UE.

(si apre in una nuova finestra) ERC-2020-STG

Vedi tutti i progetti finanziati nell’ambito del bando

Istituzione ospitante

UNIVERSIDAD POMPEU FABRA
Contributo netto dell'UE

Contributo finanziario netto dell’UE. La somma di denaro che il partecipante riceve, decurtata dal contributo dell’UE alla terza parte collegata. Tiene conto della distribuzione del contributo finanziario dell’UE tra i beneficiari diretti del progetto e altri tipi di partecipanti, come i partecipanti terzi.

€ 1 493 990,00
Indirizzo
PLACA DE LA MERCE, 10-12
08002 Barcelona
Spagna

Mostra sulla mappa

Regione
Este Cataluña Barcelona
Tipo di attività
Higher or Secondary Education Establishments
Collegamenti
Costo totale

I costi totali sostenuti dall’organizzazione per partecipare al progetto, compresi i costi diretti e indiretti. Questo importo è un sottoinsieme del bilancio complessivo del progetto.

€ 1 493 990,00

Beneficiari (1)

Il mio fascicolo 0 0