بررسی جامع روش ها و کاربردهای یادگیری تقویتی عمیق در اقتصاد

محبوبیت کاربردهای یادگیری تقویتی عمیق (DRL) در اقتصاد به طور تصاعدی افزایش یافته است. DRL، از طریق طیف گسترده ای از قابلیت ها از یادگیری تقویتی (RL) تا یادگیری عمیق (DL)، فرصت های گسترده ای را برای مدیریت سیستم های اقتصادی پویا پیچیده ارائه می دهد. DRL با مقیاس پذیری با پتانسیل استفاده برای مسائل با ابعاد بالا در ارتباط با الگوهای نویز و غیرخطی داده های اقتصادی مشخص می شود. در این مقاله، ما در ابتدا مروری کوتاه بر روش های DL، RL، و عمیق RL در کاربردهای مختلف در اقتصاد را در نظر می گیریم و بینشی عمیق در مورد آخرین هنر ارائه می کنیم. علاوه بر این، معماری DRL اعمال شده برای کاربردهای اقتصادی به منظور برجسته کردن پیچیدگی، استحکام، دقت، عملکرد، وظایف محاسباتی، محدودیت های ریسک و سودآوری مورد بررسی قرار می گیرد. نتایج بررسی نشان می دهد که DRL می تواند عملکرد بهتر و کارایی بالاتری را در مقایسه با الگوریتم های سنتی ارائه دهد، در حالی که با مشکلات اقتصادی واقعی در حضور پارامترهای ریسک و عدم قطعیت های روزافزون مواجه است.

پی دی اف کامل را ببینید پی دی اف کامل را ببینید

مقالات مرتبط

تراکنش های IEEE در شبکه های عصبی و سیستم های یادگیری

مقیاس سیستم های متصل به اینترنت به میزان قابل توجهی افزایش یافته است و این سیستم ها بیش از هر زمان دیگری در معرض حملات سایبری قرار دارند. پیچیدگی و پویایی حملات سایبری نیازمند مکانیسم های حفاظتی است که پاسخگو، تطبیقی و در مقیاس بزرگ باشند. روش های یادگیری ماشینی یا به طور خاص یادگیری تقویتی عمیق (DRL) به طور گسترده برای رسیدگی به این مسائل پیشنهاد شده اند. با گنجاندن یادگیری عمیق در RL سنتی، DRL توانایی بالایی در حل مشکلات پیچیده، پویا و به ویژه دفاع سایبری با ابعاد بالا دارد. این مقاله بررسی رویکردهای DRL توسعه یافته برای امنیت سایبری را ارائه می کند. ما جنبه های مختلف حیاتی را لمس می کنیم، از جمله روش های امنیتی مبتنی بر DRL برای سیستم های فیزیکی-سایبری، تکنیک های تشخیص نفوذ مستقل، و شبیه سازی های نظریه بازی مبتنی بر DRL چند عاملی برای استراتژی های دفاعی در برابر حملات سایبری. بحث های گسترده و دستورالعمل های تحقیقاتی آینده در مورد امنیت سایبری مبتنی بر DRL نیز ارائه شده است. ما انتظار داریم که این بررسی جامع پایه ها را برای مطالعات آتی در مورد بررسی پتانسیل DRL در حال ظهور برای مقابله با مشکلات امنیتی سایبری پیچیده تر فراهم کند و آنها را تسهیل کند.

دانلود PDF رایگان مشاهده PDF

یادگیری عمیق بیش از حد به دست آمده است - هم در مشکلات فراتر از قلمرو پارادایم های یادگیری ماشین سنتی ، دست ساز و هم در گرفتن تصور پزشک که در بالای پتابیت های داده نشسته است. در حالی که درک عمومی از اثربخشی معماری های عصبی عمیق در کارهای تشخیص الگوی پیچیده رشد می کند ، آغازگرهای پی در پی به روز در وضعیت فعلی باید دنبال شوند. در این بررسی ، ما به دنبال ارائه یک طراوت از شبکه های مختلف و بسته بندی شده مختلف است که معماری های عمیق یادگیری را تشکیل می دهند و به دنبال آن پروتکل های بهینه سازی معماری اتوماتیک با استفاده از رویکردهای چند منظوره. علاوه بر این ، از آنجا که تضمین کننده سیستم به سرعت در حال تبدیل شدن به یک دارایی ضروری در چندین روش صنعتی است ، ما یک بخش تحقیقاتی در مورد آزمایش شبکه های عصبی برای تشخیص گسل و کاهش بعدی را در بر می گیریم. این به دنبال یک بررسی اکتشافی از چندین زمینه کاربردی است که در آن یادگیری عمیق به عنوان یک فناوری در حال تغییر بازی ظاهر شده است-خواه تشخیص رفتار غیر عادی در برنامه های مالی یا پیش بینی سری زمانی مالی ، تجزیه و تحلیل پیش بینی و تجویز ، تصویربرداری پزشکی ، پردازش زبان طبیعی یاتحقیقات سیستم های قدرت. فشار این بررسی در تشریح زمینه های نوظهور تحقیقات مبتنی بر برنامه در جامعه یادگیری عمیق و همچنین ارائه یک مرجع مفید برای محققانی است که به دنبال پذیرش یادگیری عمیق در کار خود برای آنچه است: شناخته شده است که به رسمیت شناختن الگوی آماری با ساختار سلسله مراتبی بی نظیرظرفیت یادگیری با توانایی مقیاس با اطلاعات.

دانلود PDF رایگان مشاهده PDF

دانلود PDF رایگان مشاهده PDF

یادگیری عمیق یکی از جدیدترین روندهای یادگیری ماشین و تحقیقات هوش مصنوعی است. همچنین یکی از محبوب ترین روندهای تحقیقاتی علمی است که اکنون در روز است. روشهای یادگیری عمیق پیشرفتهای انقلابی در دید رایانه و یادگیری ماشین به همراه داشته است. هر چند وقت یکبار ، تکنیک های جدید و جدید یادگیری عمیق متولد می شوند ، از یادگیری ماشین های پیشرفته و حتی تکنیک های یادگیری عمیق موجود فراتر می روند. در سالهای اخیر ، جهان شاهد پیشرفت های اساسی بسیاری در این زمینه بوده است. از آنجا که یادگیری عمیق با سرعت زیادی در حال تحول است ، پیگیری پیشرفت های منظم به ویژه برای محققان جدید ، نوع آن دشوار است. در این مقاله ، ما قصد داریم به طور خلاصه در مورد پیشرفت های اخیر در یادگیری عمیق برای چند سال گذشته بحث کنیم.

دانلود PDF رایگان مشاهده PDF

اینترنت آینده اشیاء (IoT) تأثیر اقتصادی ، تجاری و اجتماعی عمیقی بر زندگی ما خواهد گذاشت. گره های شرکت کننده در شبکه های IoT معمولاً محدود به منابع هستند و همین امر باعث می شود آنها اهداف حملات سایبری را فریب دهند. در همین راستا ، تلاش های گسترده ای برای پرداختن به مسائل امنیتی و حریم خصوصی در شبکه های IoT در درجه اول از طریق رویکردهای سنتی رمزنگاری انجام شده است. با این حال ، ویژگی های منحصر به فرد گره های IoT راه حل های موجود را برای شامل کل طیف امنیتی شبکه های IoT کافی نمی کند. این حداقل تا حدودی به دلیل محدودیت منابع ، ناهمگونی ، داده های عظیم در زمان واقعی تولید شده توسط دستگاه های IoT و رفتار بسیار پویا شبکه ها است. بنابراین ، تکنیک های یادگیری ماشین (ML) و یادگیری عمیق (DL) ، که قادر به ارائه اطلاعات تعبیه شده در دستگاه ها و شبکه های IoT هستند ، برای مقابله با مشکلات امنیتی مختلف استفاده می شوند. در این مقاله ، ما به طور سیستماتیک الزامات امنیتی ، بردارهای حمله و راه حل های امنیتی فعلی برای شبکه های IoT را مرور می کنیم. سپس در این راه حل های امنیتی که خواستار ML و DL هستند ، شکاف ها را روشن کردیم. ما همچنین به تفصیل در مورد راه حل های موجود ML و DL برای رفع مشکلات امنیتی مختلف در شبکه های IoT بحث می کنیم. سرانجام ، بر اساس تحقیقات دقیق در مورد راه حل های موجود در ادبیات ، ما در مورد مسیرهای تحقیق آینده برای امنیت IoT مبتنی بر ML و DL بحث می کنیم.

دانلود PDF رایگان مشاهده PDF

ترکیب ارزش های ارزش گذاری و سیاست گذاری ، منتقد بازیگر مزیت ناهمزمان (A3C) توسط DeepMind Google با موفقیت کنترل کننده های شبکه عصبی عمیق را بر روی چند عامل بهینه کرده است. در این کار ما یک استراتژی اکتشافی جدید را پیشنهاد می کنیم که "آن را دنبال می کنیم و سپس Exploration Forage" (FFE) می نامیم که هدف آن آموزش مؤثرتر A3C است. متفاوت از A3C اصلی که عوامل فقط از آنتروپی به عنوان ابزاری برای بهبود اکتشاف استفاده می کنند ، FFE پیشنهادی ما به نمایندگان اجازه می دهد تا از انتخاب عملکرد عادی A3C که ما آن را "زیر" و "علوفه" می نامیم جدا شوند و این به معنای کشف تصادفی است. ایده اصلی حمایت از FFE این است که مجبور کردن اکتشافات تصادفی در زمان مناسب در یک قسمت آموزشی می تواند منجر به بهبود عملکرد آموزش شود. برای مقایسه عملکرد FFE پیشنهادی ما ، از A3C استفاده کردیم که توسط Agent-Agent OpenAi's Universe-Starter به عنوان پایه اجرا شد. نتایج تجربی نشان داده است که FFE قادر به همگرایی سریعتر است.

دانلود PDF رایگان مشاهده PDF

چکیده- محبوبیت وسایل نقلیه خودران در دهه های اخیر به دلیل علاقه زیاد صنعت خودرو و دانشگاه و به دلیل پیشرفت های فناوری مانند افزایش روزافزون قدرت پردازش داده ها رو به افزایش بوده است. توسعه و تثبیت این فناوری فواید متعددی را برای جامعه به همراه خواهد داشت و یکی از پرکاربردترین راه ها برای دستیابی به این اهداف، شاخه هوش مصنوعی است که به یادگیری ماشین معروف است. این مقاله مفاهیم اساسی مورد نیاز برای درک عملکرد رویکردهای یادگیری ماشین معروف به یادگیری تقویتی (RL)، یادگیری عمیق (DL) و ترکیب آنها، یادگیری تقویتی عمیق (DRL) را ارائه می دهد. سپس، مروری بر رویکردهای یادگیری تقویتی معکوس (IRL)، شبکه های دشمن مولد (GANs) و یادگیری تقلید دشمن مولد (GAIL) که بسط یا ترکیبی از انواع یادگیری فوق الذکر هستند، ارائه می شود و همچنین مروری بر آثار اخیری که از آنها برای حل مسائل مربوط به ناوبری مستقل استفاده می کنند. اصطلاحات فهرست - وسایل نقلیه خودکار، یادگیری تقویتی، یادگیری عمیق I. مقدمه وسایل نقلیه خودران در چند دهه اخیر بسیار محبوب شده اند، چه به دلیل حضور آنها در فیلم ها و سریال های علمی تخیلی، چه به دلیل علاقه دانشگاه و صنعت به توسعه آنها. . برخی از شرکت ها نظرسنجی هایی دارند که قبلاً توسط مردم به خوبی شناخته شده است، مانند Google، Waymo، Uber، Tesla و غیره [1]. برخی حتی در حال حاضر نتایج کاملاً گویا دارند. به عنوان مثال، آئودی در سال 2015 خودرویی را توسعه داد که 900 کیلومتر را بدون کمک انسان طی کرد [2]. یکی از دلایل اصلی که سرمایه گذاری زیاد در این حوزه تحقیقاتی را توجیه می کند، خشونت ترافیکی است. بر اساس داده های منتشر شده توسط سازمان بهداشت جهانی [3]، حدود 1. 35 میلیون نفر در سال بر اثر حوادث رانندگی جان خود را از دست می دهند و بین 20 تا 50 میلیون نفر دیگر دچار نوعی آسیب می شوند که در برخی موارد معلول می شوند. بر اساس داده های ارائه شده توسط مرکز تحقیقات و اقتصاد بیمه (CPES) در برزیل، تنها در نیمه اول سال 2018، بیش از 19000 نفر در اثر حوادث جان خود را از دست دادند و 20000 نفر دیگر به طور دائم از کار افتادند که باعث خسارت 96. 5 میلیارد دلاری شد. 4]. به گفته کامپسترینی [5]، از رصدخانه ایمنی راه،

دانلود PDF رایگان مشاهده PDF