Les discussions de l'heure du thé 2021 : Quatrième semaine

Les Tea Time Talks sont de retour ! Tout au long de l'été, assistez à des exposés de 20 minutes sur des idées de départ, des recherches futures et des sujets techniques présentés par des étudiants, des professeurs et des invités. Présentées par Amii et le laboratoire RLAI de l'Université de l'Alberta, les conférences sont une manière détendue et informelle d'entendre les leaders de l'IA discuter des futures lignes de recherche qu'ils pourraient explorer.

Regardez maintenant une sélection de conférences de la quatrième semaine de la série :

Dhawal Gupta : Attribution de crédits structurels dans les réseaux neuronaux à l'aide de l'apprentissage par renforcement.

Résumé : L'attribution de crédits structurels dans les réseaux neuronaux est un problème de longue date, avec une variété d'alternatives à la rétropropagation proposées pour permettre la formation locale des nœuds. L'une des premières stratégies consistait à traiter chaque nœud comme un agent et à utiliser une méthode d'apprentissage par renforcement appelée REINFORCE pour mettre à jour chaque nœud localement avec seulement un signal de récompense global. Dans cet exposé, Dhawal revisite cette approche et cherche à savoir si nous pouvons tirer parti d'autres approches d'apprentissage par renforcement pour améliorer l'apprentissage.

Khurram Javed : Vers un apprentissage évolutif de la représentation en temps réel

Résumé : Dans cet exposé, Khurram motive le besoin d'algorithmes d'apprentissage en temps réel évolutifs et présente une instanciation d'un algorithme qui nous permet d'apprendre des caractéristiques hiérarchiques profondes de manière évolutive. L'idée centrale de l'algorithme est de construire un réseau récurrent profond au fil du temps. L'algorithme utilise un apprentissage peu profond basé sur le gradient pour construire de nouvelles caractéristiques et tester leur utilité en les utilisant pour faire des prédictions pour la tâche à accomplir. Il démontre l'efficacité de l'approche proposée sur une tâche simple de prédiction sur la politique qui nécessite à la fois la construction de caractéristiques non linéaires et de la mémoire.

Vous aimez ce que vous apprenez ici ? Plongez plus profondément dans le monde de l'apprentissage par renforcement avec la spécialisation en apprentissage par renforcement, proposée par l'Université d'Alberta et Amii. Enseignée par Martha White et Adam White, cette spécialisation explore la façon dont les solutions d'apprentissage par renforcement aident à résoudre des problèmes du monde réel par le biais d'une interaction par essais et erreurs, en montrant aux apprenants comment mettre en œuvre une solution d'apprentissage par renforcement complète du début à la fin. Inscrivez-vous à cette spécialisation dès maintenant!