基于深度强化学习与可微 L0 稀疏多项式策略的参数化偏微分方程控制
通过字典学习和可微分 L0 正则化,我们提出了一种稀疏、稳健且可解释的参数化偏微分方程控制策略,优于基线的深度神经网络驱动强化学习策略,并能够推导出解释性的优化控制规律的方程,并在参数化 Kuramoto-Sivashinsky 和对流扩散反应偏微分方程的控制任务中展示了泛化能力。
BriefGPT - AI 论文速递 -
通过字典学习和可微分 L0 正则化,我们提出了一种稀疏、稳健且可解释的参数化偏微分方程控制策略,优于基线的深度神经网络驱动强化学习策略,并能够推导出解释性的优化控制规律的方程,并在参数化 Kuramoto-Sivashinsky 和对流扩散反应偏微分方程的控制任务中展示了泛化能力。
热榜 Top10
标签 Top100
全部ai 语言模型 神经网络 linux llm 开源 微软 .net python 数据集 人工智能 google 算法 apple 扩散模型 安全 苹果 机器学习 java 深度学习 android 游戏 rust postgresql 建模 机器人 漏洞 谷歌 ios openai mysql c# windows 大模型 api spring 开发者 函数 gpt github chatgpt 教程 卷积 windows 11 microsoft 数据库 web nvidia mongodb iphone 内存 浏览器 强化学习 docker security 插件 cloud sql wordpress 编码器 基准测试 大语言模型 黑客 欧盟 程序员 联邦学习 mac 总结 入门 无监督 流量 解决方案 postgres c++ sora 点云 spring boot generative ai pdf 网络安全 一致性 redis 工程师 swift 视图 硬件 重建 接口 前端 单片机 多智能体 git cve 源码 visual studio 容器 kubernetes 面试 javascript gemini
赞助商
我也要赞助推荐或自荐