Human-like recall/association for transfer learning in reinforcement learning

• Autores: Edwin Duban Torres García
• Directores de la Tesis: Fernando Lozano Martínez (dir. tes.), Charles W. Anderson (dir. tes.)
• Lectura: En la Universidad de los Andes (Colombia) ( Colombia ) en 2020
• Idioma: inglés
• Tribunal Calificador de la Tesis: Carlos Alberto Parra Rodríguez (presid.), María del Pilar Villamil Giraldo (presid.)
• Enlaces
  • Tesis en acceso abierto en: hdl.handle.net
• Resumen
  • español

    La transferencia de conocimiento es una característica presente en el proceso de aprendizaje de múltiples especies animales que los algoritmos de aprendizaje automático son capaces de imitar. Si bien se han desarrollado diferentes técnicas de transferencia en el aprendizaje por refuerzo, pocas técnicas se han centrado en la reproducción de las unidades de memoria involucradas en la transferencia de conocimiento realizada por los mamíferos, particularmente la memoria episódica de los humanos. Esta disertación presenta un método que facilita la transferencia mediante una unidad de memoria cuando un agente está aprendiendo a resolver una tarea desconocida que es más difícil que las tareas aprendidas previamente. Esta tesis se centra en desarrollar una metodología que integre características del aprendizaje humano, en términos de las estructuras o sistemas involucrados, en el contexto del aprendizaje reforzado para hacer un mejor uso de la información derivada de la interacción con los entornos en tareas pasadas.

  • English

    Knowledge transfer is a feature present in the learning process of multiple animal species that machine learning algorithms are capable of imitating. Although different transfer techniques have been developed in reinforcement learning, few techniques have focused on the reproduction of the memory units involved in knowledge transfer performed by mammals, particularly the episodic memory of humans. This dissertation presents a method that facilitates the transfer by means of a memory unit when an agent is learning to solve an unknown task that is more difficult than previously learned tasks. This dissertation focuses on developing a methodology that integrates characteristics of human learning, in terms of the structures or systems involved, in the context of reinforcement learning to make better use of the information derived from the interaction with environments in past tasks. We show that the memory unit can be learned autonomously over a space in which situations are related through sequences of states that represent the experience of the agent. This space gives the agent a broader context for efficiently relating past experiences and determining the moments when the transfer should occur while learning a new task.