а хотя наверно в одно время просто написаны

Efficient Exploration through Bayesian Deep Q-Networks

https://arxiv.org/abs/1802.04412

Хорошая идея. Вместо того, чтобы брать линейную комбинацию фичей в DQN (что по сути и делает последний слой сети, т.к. он линейный) прикрутить Bayesian Linear Regression.

Итак, я сегодня попытаюсь поставить задачу мета-обучения, расскажу про один из подходов её решать -  MAML, про некоторую его модификацию (скорее, коррекцию) E-MAML, а также упомяну ещё несколько статей на эту тему от тех же авторов. Я надеюсь, что мой доклад не займёт много времени, но всё равно не забудьте заранее запастись кефиром

Мало ли – кому поможет
https://t.me/joinchat/AAAAAEN_BTgmohUe4UiNQw

Видно слышно?

да, спасибо =)

Introduction to Learning to Trade with Reinforcement Learning – WildML
http://www.wildml.com/2018/02/introduction-to-learning-to-trade-with-reinforcement-learning/

Думаю, что у них не совсем корректные эксперименты. Их метод  оптимизации – метод второго порядка.
А сравнение с методами первого.

на омниглоте few shot learning они первого порядка делали же

* на miniImagenet
а нет там все таки второго по fast weights

Ребята, подскажите по поводу одного момента, я использую DDPG, действие у меня - это два неприрывных значения от -1 до 1, и часто алгоритм выходит за допустимый диапозон, если вставить например tanh, то он не выходит за диапазон, но при этом сходится к полярным действиям, то есть выдает или -1 или 1, при этом поведение в целом адекватное, то есть например в Carla машина едет как пьяная, но в нужную точку, то есть в этом случае правильными значениями были бы значения около 0, но сетка их почему-то не использует. Не подскажете почему так может быть?

Может у сети выкручиваются веса, что приводит к большим по модулю преактивациям?

а как с этим бороться?

веса я не смотрел

регуляризовать)

L2 регуляризацией

в лосс для критика вставить L2?

Скорее для полиси сети, думаю