Hidden Parameter Markov Decision Processes: A Semiparametric Regression Approach for Discovering Latent Task Parametrizations
Hidden Parameter Markov Decision Processes: A Semiparametric Regression Approach for Discovering Latent Task Parametrizations
复制标题
DOI：
--
复制
发表时间：
2013-08
期刊：
影响因子：
--
通讯作者：
F. Doshi-Velez;G. Konidaris
中科院分区：
文献类型：
--
作者：
F. Doshi-Velez;G. Konidaris
控制应用程序通常具有类似但不完全相同的动态任务。我们介绍了隐参数马尔可夫决策过程（HiP-MDP），一个框架，参数化一个家庭的相关动力系统与一组低维的潜在因素，并介绍了半参数回归方法从数据中学习其结构。我们发现，一个学习的HiP-MDP快速识别新的任务实例在几个设置的动态，灵活地适应任务的变化。
Control applications often feature tasks with similar, but not identical, dynamics. We introduce the Hidden Parameter Markov Decision Process (HiP-MDP), a framework that parametrizes a family of related dynamical systems with a low-dimensional set of latent factors, and introduce a semiparametric regression approach for learning its structure from data. We show that a learned HiP-MDP rapidly identifies the dynamics of new task instances in several settings, flexibly adapting to task variation.