Série de séminaires sur l'IA 2022 : Shi Dong

Le AI Seminar est une réunion hebdomadaire à l'Université de l'Alberta où les chercheurs intéressés par l'intelligence artificielle (AI) peuvent partager leurs recherches. Les présentateurs comprennent à la fois des conférenciers locaux de l'Université de l'Alberta et des visiteurs d'autres institutions. Les sujets peuvent être liés de quelque manière que ce soit à l'intelligence artificielle, qu'il s'agisse de travaux théoriques fondamentaux ou d'applications novatrices de techniques d'IA à de nouveaux domaines et problèmes.

Le 8 avril, un candidat au doctorat à l'université de Stanford a présenté "Simple Agent, Complex Environment : Efficient Reinforcement Learning with Agent States", au séminaire sur l'IA.

Dans sa présentation, Dong détaille un agent d'apprentissage par renforcement (RL) simple qui met en œuvre une version optimiste de l'apprentissage Q et établit par l'analyse des regrets que cet agent peut fonctionner avec un certain niveau de compétence dans n'importe quel environnement. Au fur et à mesure que le temps passe, l'agent obtient des résultats compétitifs par rapport aux politiques dont l'évaluation demande plus de temps. Le temps nécessaire pour se rapprocher de la performance asymptotique est polynomial dans la complexité de la représentation de l'état de l'agent et le temps nécessaire pour évaluer la meilleure politique que l'agent peut représenter. Notamment, il n'y a pas de dépendance à la complexité de l'environnement. La perte ultime de performance par période de l'agent est limitée par un multiple constant d'une mesure de la distorsion introduite par la représentation de l'état de l'agent. Dong explique que ce travail est le premier à établir qu'un algorithme s'approche de cette condition asymptotique dans un délai raisonnable.

Regardez la présentation complète ci-dessous :

Vous voulez savoir comment donner un coup de fouet à votre carrière dans l'IA ? En savoir plus sur l'accélérateur de carrière d'Amii pour en savoir plus.