29. 深層強化学習

強化学習は、エージェントが報酬を最大化するように環境と相互作用しながら学習する手法です。

OpenAI Fiveは、Dota2で人間のプロ選手に勝利した強化学習ベースのAIです。

sim2realは、シミュレーション環境で学習したモデルを現実環境へ適用するアプローチです。

A3C（Asynchronous Advantage Actor-Critic）は、複数のエージェントが並行して学習を行う強化学習手法です。

PPO（Proximal Policy Optimization）は、安定性と効率性のバランスが良い強化学習手法です。

デュエリングネットワークは、状態価値とアクション優位性を別々に推定するアーキテクチャです。

ノイジーネットワークは、探索性を高めるためにネットワークの重みにノイズを加える手法です。

報酬成形は、学習の誘導や安定化のために報酬を調整するテクニックです。

Agent57は、多様な環境で高いスコアを達成した強化学習モデルです。

RLHF（Reinforcement Learning from Human Feedback）は、人間の評価を活用した強化学習手法です。