Logo des Repositoriums
 

Bestärkendes Lernen und Metalernen in neuronalen Netzwerken

dc.contributor.authorScherr, Franz
dc.contributor.editorHölldobler, Steffen
dc.date.accessioned2022-01-14T14:02:02Z
dc.date.available2022-01-14T14:02:02Z
dc.date.issued2021
dc.description.abstractDas menschliche Gehirn gestattet es uns neue Fähigkeiten scheinbar mühelos zu lernen, oft sogar nur durch Versuch und Irrtum, und das mit nur wenigen Anläufen. Diese Arbeit behandelt die Frage, wie eine solche Lernfähigkeit in gehirnähnlichen Schaltkreisen zustande kommen kann. Durch mathematisch rigoros hergeleitete Algorithmen werden Lernfähigkeiten in biologisch inspirierten Modellenrückgekoppelter neuronaler Netzwerke anhand von Computersimulationen demonstriert. Insbesondere erlaubt der entwickelte Lernalgorithmus solchen Netzwerken selbständig erfolgreiche Strategien durch Versuch und Irrtum zu lernen, etwa um eine hohe Punktezahl in Atari Videospielen zu erzielen. Hierbei erhält das Netzwerk keinerlei Information über die Regeln oder Ziele des Spiels, und es erhält auch keine Demonstration von wirksamen Strategien. Durch eine Optimierung von Lernsignalen, gestattet der Algorithmus erheblich schneller zu lernen. Die vorgestellte Theorie erweitert unser Verständnis davon, wie gehirnähnliche neuronale Netzwerke schwierige Aufgaben lernen können.de
dc.identifier.isbn978-3-88579-775-3
dc.identifier.urihttps://dl.gi.de/handle/20.500.12116/37915
dc.language.isode
dc.publisherGesellschaft für Informatik e.V.
dc.relation.ispartofAusgezeichnete Informatikdissertationen 2020
dc.relation.ispartofseriesLecture Notes in Informatics (LNI) - Proceedings, Volume D-21
dc.titleBestärkendes Lernen und Metalernen in neuronalen Netzwerkende
dc.typeText/Conference Paper
gi.citation.endPage298
gi.citation.publisherPlaceBonn
gi.citation.startPage289
gi.conference.date9.-12. Mai 2021
gi.conference.locationSchoss Dagstuhl, Deutschland

Dateien

Originalbündel
1 - 1 von 1
Vorschaubild nicht verfügbar
Name:
Scherr-Franz.pdf
Größe:
1.41 MB
Format:
Adobe Portable Document Format