A computational approach that evaluates the value calculation process and the choice process in decision making

评估决策中的价值计算过程和选择过程的计算方法

基本信息

项目摘要

项目成果

期刊论文数量(8)
专著数量(0)
科研奖励数量(0)
会议论文数量(0)
专利数量(0)
忘却過程のある強化学習モデルの提案
提出具有遗忘过程的强化学习模型
  • DOI:
  • 发表时间:
    2019
  • 期刊:
  • 影响因子:
    0
  • 作者:
    Akitsugu Konno;Hitomi Aoki;Emiri Suzuki;Seiya Furuta;Sayoko Ueda;馬場ひとみ・谷口由香莉・鈴木美樹江・肥田幸子・大塚敬子・加藤大樹;遠山朝子
  • 通讯作者:
    遠山朝子
Reinforcement learning with parsimonious computation and a forgetting process
具有简约计算和遗忘过程的强化学习
  • DOI:
    10.3389/fnhum.2019.00153
  • 发表时间:
    2019
  • 期刊:
  • 影响因子:
    2.9
  • 作者:
    Toyama Asako;Katahira Kentaro;Ohira Hideki
  • 通讯作者:
    Ohira Hideki
忘却過程を含む強化学習モデルを用いたモデルフリー・モデルベースシステム比重の推定
使用强化学习模型(包括遗忘过程)估计无模型和基于模型的系统引力
  • DOI:
  • 发表时间:
    2019
  • 期刊:
  • 影响因子:
    0
  • 作者:
    趙朔;魚野翔太;義村さや香;十一元三;大隅 尚広;遠山朝子
  • 通讯作者:
    遠山朝子
Biases in estimating the balance between model-free and model-based learning systems due to model misspecification
由于模型指定错误,在估计无模型和基于模型的学习系统之间的平衡时存在偏差
  • DOI:
    10.1016/j.jmp.2019.03.007
  • 发表时间:
    2019
  • 期刊:
  • 影响因子:
    1.8
  • 作者:
    Toyama Asako;Katahira Kentaro;Ohira Hideki
  • 通讯作者:
    Ohira Hideki
Forgetting Process in Model-Free and Model-Based Reinforcement Learning.
无模型和基于模型的强化学习中的遗忘过程。
  • DOI:
  • 发表时间:
    2019
  • 期刊:
  • 影响因子:
    0
  • 作者:
    Toyama;A.;Katahira;K.;& Ohira;H.
  • 通讯作者:
    H.
{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi }}
  • 发表时间:
    {{ item.publish_year }}
  • 期刊:
  • 影响因子:
    {{ item.factor }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.author }}

数据更新时间:{{ monograph.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.author }}

数据更新时间:{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.author }}

数据更新时间:{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.author }}

数据更新时间:{{ patent.updateTime }}

Toyama Asako其他文献

発達障害者へのロボットを用いた支援の潜在性
使用机器人为发育障碍人士提供支持的潜力
  • DOI:
  • 发表时间:
    2021
  • 期刊:
  • 影响因子:
    0
  • 作者:
    Katahira Kentaro;Toyama Asako;熊﨑博一
  • 通讯作者:
    熊﨑博一
高時間解像度による映像提示が運動知覚に与える影響
高时间分辨率视频呈现对运动感知的影响
  • DOI:
  • 发表时间:
    2019
  • 期刊:
  • 影响因子:
    0
  • 作者:
    Toyama Asako;Katahira Kentaro;Ohira Hideki;中嶋豊・宮下優衣
  • 通讯作者:
    中嶋豊・宮下優衣
顔特性推論の極端さはステレオタイプ化傾向と関連する
面部特征推断的极端性与刻板印象倾向相关
  • DOI:
  • 发表时间:
    2020
  • 期刊:
  • 影响因子:
    0
  • 作者:
    Toyama Asako;Katahira Kentaro;Ohira Hideki;鈴木敦命・塚本早織・高橋雄介
  • 通讯作者:
    鈴木敦命・塚本早織・高橋雄介
脳と身体の予測的符号化とその不全―守谷・国里・杉浦論文へのコメント―
大脑和身体的预测编码及其失败 - 对 Moriya、Kunisato 和 Sugiura 论文的评论 -
  • DOI:
  • 发表时间:
    2019
  • 期刊:
  • 影响因子:
    0
  • 作者:
    Toyama Asako;Katahira Kentaro;Ohira Hideki;大平英樹
  • 通讯作者:
    大平英樹
脳神経組織のホメオスタシス維持を担う生体システム
负责维持脑神经组织稳态的生物系统
  • DOI:
  • 发表时间:
    2020
  • 期刊:
  • 影响因子:
    0
  • 作者:
    Toyama Asako;Katahira Kentaro;Ohira Hideki;村松里衣子
  • 通讯作者:
    村松里衣子

Toyama Asako的其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi }}
  • 发表时间:
    {{ item.publish_year }}
  • 期刊:
  • 影响因子:
    {{ item.factor }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

相似海外基金

Learning to Reason in Reinforcement Learning
在强化学习中学习推理
  • 批准号:
    DP240103278
  • 财政年份:
    2024
  • 资助金额:
    $ 2.66万
  • 项目类别:
    Discovery Projects
Collaborative Research: CDS&E: Generalizable RANS Turbulence Models through Scientific Multi-Agent Reinforcement Learning
合作研究:CDS
  • 批准号:
    2347423
  • 财政年份:
    2024
  • 资助金额:
    $ 2.66万
  • 项目类别:
    Standard Grant
CAREER: Stochasticity and Resilience in Reinforcement Learning: From Single to Multiple Agents
职业:强化学习中的随机性和弹性:从单个智能体到多个智能体
  • 批准号:
    2339794
  • 财政年份:
    2024
  • 资助金额:
    $ 2.66万
  • 项目类别:
    Continuing Grant
強化学習モデル・ネットワーク分析によるサイコパシーの情報処理メカニズムの解明
利用强化学习模型和网络分析阐明精神病态的信息处理机制
  • 批准号:
    24K16865
  • 财政年份:
    2024
  • 资助金额:
    $ 2.66万
  • 项目类别:
    Grant-in-Aid for Early-Career Scientists
CAREER: Towards Real-world Reinforcement Learning
职业:走向现实世界的强化学习
  • 批准号:
    2339395
  • 财政年份:
    2024
  • 资助金额:
    $ 2.66万
  • 项目类别:
    Continuing Grant
CAREER: Robust Reinforcement Learning Under Model Uncertainty: Algorithms and Fundamental Limits
职业:模型不确定性下的鲁棒强化学习:算法和基本限制
  • 批准号:
    2337375
  • 财政年份:
    2024
  • 资助金额:
    $ 2.66万
  • 项目类别:
    Continuing Grant
Optimizing Intelligent Vehicular Routing with Edge Computing through Multi-Agent Reinforcement Learning
通过多智能体强化学习利用边缘计算优化智能车辆路由
  • 批准号:
    24K14913
  • 财政年份:
    2024
  • 资助金额:
    $ 2.66万
  • 项目类别:
    Grant-in-Aid for Scientific Research (C)
CAREER: Temporal Causal Reinforcement Learning and Control for Autonomous and Swarm Cyber-Physical Systems
职业:自治和群体网络物理系统的时间因果强化学习和控制
  • 批准号:
    2339774
  • 财政年份:
    2024
  • 资助金额:
    $ 2.66万
  • 项目类别:
    Continuing Grant
Federated Reinforcement Learning Empowered Point Cloud Video Streaming
联合强化学习赋能点云视频流
  • 批准号:
    24K14927
  • 财政年份:
    2024
  • 资助金额:
    $ 2.66万
  • 项目类别:
    Grant-in-Aid for Scientific Research (C)
Collaborative Research: CDS&E: Generalizable RANS Turbulence Models through Scientific Multi-Agent Reinforcement Learning
合作研究:CDS
  • 批准号:
    2347422
  • 财政年份:
    2024
  • 资助金额:
    $ 2.66万
  • 项目类别:
    Standard Grant
{{ showInfoDetail.title }}

作者:{{ showInfoDetail.author }}

知道了