Theoretical Neuroscience
Theoretical Neuroscience
Theoretical Neuroscience
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
354 Χλασσιχαλ Χονδιτιονινγ ανδ Ρεινφορχεµεντ Λεαρνινγ<br />
A<br />
escape latency ( σ )<br />
100<br />
50<br />
0<br />
1 2 3 4 5 6 7 8 9<br />
day<br />
B<br />
path length ( µ )<br />
40<br />
30<br />
20<br />
10<br />
0<br />
1 2 3 4 5 6 7 8 9<br />
day<br />
Φιγυρε 9.11 Χοµπαρισον οφ ρατσ ανδ τηε µοδελ ιν τηε ωατερ µαζε τασκ. (Α) Αϖεραγε<br />
λατενχιεσ οφ 12 ρατσ ιν γεττινγ το α ⇒ξεδ πλατφορµ ιν τηε ωατερ µαζε, υσινγ φουρ τριαλσ<br />
περ δαψ. Ον τηε ειγητη δαψ, τηε πλατφορµ ωασ µοϖεδ το α νεω λοχατιον, ωηιχη<br />
ισ χαλλεδ ρεϖερσαλ. (Β) Αϖεραγε πατη λενγτη φροµ 1000 σιµυλατιονσ οφ τηε µοδελ<br />
περφορµινγ τηε σαµε τασκ. Ινιτιαλ λεαρνινγ µατχηεσ τηατ οφ τηε ρατσ, βυτ περφορµανχε<br />
ισ ωορσε φολλοωινγ ρεϖερσαλ. (Αδαπτεδ φροµ Φοστερ ετ αλ., 2000.)<br />
µοδελ ιν α µαννερ χοµπαραβλε το τηατ οφ αχτυαλ ρατσ. Φιγυρε 9.11Α σηοωσ<br />
τηε αϖεραγε περφορµανχε οφ 12 ρεαλ ρατσ περφορµινγ φουρ τριαλσ περ δαψ ιν<br />
τηε ωατερ µαζε. Τηε ρατσ σωαµ το α πλατφορµ ατ α ⇒ξεδ λοχατιον, σταρτ−<br />
ινγ φροµ ρανδοµλψ χηοσεν ινιτιαλ λοχατιονσ. Τηε περφορµανχε οφ τηε ρατσ<br />
ραπιδλψ ιµπροϖεσ ανδ λεϖελσ οφφ βψ αβουτ τηε σιξτη δαψ. Ωηεν τηε πλατφορµ<br />
ισ µοϖεδ ον τηε ειγητη δαψ, ιν ωηατ ισ χαλλεδ ρεϖερσαλ τραινινγ, τηε ινι−<br />
τιαλ λατενχψ ισ λονγ, βεχαυσε τηε ρατσ σεαρχη νεαρ τηε ολδ πλατφορµ ποσιτιον.<br />
Ηοωεϖερ, τηεψ ραπιδλψ λεαρν τηε νεω λοχατιον. Φιγυρε 9.11Β σηοωσ τηε περ−<br />
φορµανχε οφ τηε µοδελ ον τηε σαµε τασκ (τηουγη ϕυδγεδ βψ πατη λενγτησ<br />
ρατηερ τηαν λατενχιεσ). Ινιτιαλ λεαρνινγ ισ εθυαλλψ θυιχκ, ωιτη νεαρ περφεχτ<br />
πατησ βψ τηε σιξτη δαψ. Ηοωεϖερ, περφορµανχε δυρινγ ρεϖερσαλ τραινινγ ισ<br />
ποορ, βεχαυσε τηε µοδελ ηασ τρουβλε φοργεττινγ τηε πρεϖιουσ λοχατιον οφ τηε<br />
πλατφορµ. Τηε ρατσ αρε χλεαρλψ βεττερ ατ ηανδλινγ τηισ τρανσιτιον. Νεϖερτηε−<br />
λεσσ τηε µοδελ σηοωσ σοµετηινγ οφ τηε ποωερ οφ α πριµιτιϖε, βυτ γενεραλ,<br />
λεαρνινγ µετηοδ.<br />
9.5 Χηαπτερ Συµµαρψ<br />
Ωε δισχυσσεδ ρεινφορχεµεντ λεαρνινγ µοδελσ φορ χλασσιχαλ ανδ ινστρυµεν−<br />
ταλ χονδιτιονινγ, ιντερπρετινγ τηε φορµερ ιν τερµσ οφ λεαρνινγ πρεδιχτιονσ<br />
αβουτ τοταλ φυτυρε ρεωαρδσ ανδ τηε λαττερ ιν τερµσ οφ οπτιµιζατιον οφ τηοσε<br />
ρεωαρδσ. Ωε ιντροδυχεδ τηε Ρεσχορλα−Ωαγνερ ορ δελτα λεαρνινγ ρυλε φορ<br />
χλασσιχαλ χονδιτιονινγ, τογετηερ ωιτη ιτσ τεµποραλ διφφερενχε εξτενσιον, ανδ<br />
ινδιρεχτ ανδ διρεχτ αχτορ ρυλεσ φορ ινστρυµενταλ χονδιτιονινγ γιϖεν ιµµε−<br />
διατε ρεωαρδσ. Φιναλλψ, ωε πρεσεντεδ τηε αχτορ−χριτιχ ϖερσιον οφ τηε δψναµιχ<br />
προγραµµινγ τεχηνιθυε οφ πολιχψ ιτερατιον, εϖαλυατινγ πολιχιεσ υσινγ τεµ−<br />
ποραλ διφφερενχε λεαρνινγ ανδ ιµπροϖινγ τηεµ υσινγ τηε διρεχτ αχτορ λεαρν−<br />
ινγ ρυλε, βασεδ ον συρρογατε ιµµεδιατε ρεωαρδσ φροµ τηε εϖαλυατιον στεπ.