CSTiger77的博客

Continual learning of context-dependent processing in neural networks摘要：深度神经网络能够学习出输入输出之间的复杂的映射规则，但是这个规则是固定的，不能够学习出多种场景下的不同的映射规则并根据场景的采用这些规则。正交权重修正以及场景以来的处理模块能够有效的解决深度神经网络的这个限制使得深度神经网络能够适用于现实的多变场景并取得不错的效果。在（1）需要根据具体场景学习和采用相应映射规则；（2）不同的场景和规则是按照顺序来学.

Reinforcement Learning, Fast and Slow摘要：深度强化学习已经取得很大成就，但是最大的缺陷在于样本数据的有效性低。主要有两种方法来解决这个问题：Episode Deep RL Meta RL深度强化学习样本数据的有效性低的原因梯度下降。需要对参数进行迭代更新直到收敛。学习率不能太大否则无法收敛，学习率太小则收敛速度慢。 弱偏置假设。机器学习模型都是要设定一个偏置假设即设定一个模型的假设空间（即假设模型的具体形式，参数未知），然后根据数据训练在这个空间中找

Reinforcement learning in artificial and biological systems摘要：生物系统和人工系统的研究之间已经有了相互联系的硕果累累的概念和想法。在人工智能领域的强化学习方面的早期的研究工作和进展都源至于Bush and Mosteller 两人在生物学方面研究的启发。最近，时序差分的强化学习对于理解多巴胺神经元的活动提供了一个有力的框架。在本文的综述中，我们将描述生物系统和人工系统在强化学习方面的最新研究工作和进展。我们主要关注两个学科之间的一些.