【标题】Double Sparse Deep Reinforcement Learning via Multilayer Sparse Coding and Nonconvex Regularized Pruning

【作者团队】Haoli Zhao, Jiqiang Wu, Zhenni Li, Wuhui Chen, Zibin Zheng

【发表日期】2022.3.22

【论文链接】https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9740040

【推荐理由】高度依赖于数据表示的深度强化学习 (DRL) 在许多实际决策问题中显示出其潜力。然而，DRL中获取表示的过程很容易受到模型干扰的影响，而且会留下不必要的参数，导致控制性能下降。本文通过多层稀疏编码和非凸正则化修改提出了一种双稀疏 DRL。为了减轻 DRL 中的干扰，本文提出了一种多层稀疏编码结构网络，以获得深度稀疏表示以用于强化学习中的控制。此外，本文采用非凸正则化器来促进强稀疏性，通过基于正则化器的修改方案有效地去除不必要的权重。因此，开发了一种双稀疏 DRL 算法，它不仅可以学习深度稀疏表示以减少干扰，还可以在保持鲁棒性能的同时去除冗余权重。实验结果表明，所提出的具有多层稀疏编码结构的深度稀疏表示的方法在控制方面优于现有的基于稀疏编码的 DRL。

内容中包含的图片若涉及版权问题，请及时与我们联系删除