Zobrazeno 1 - 10 of 27 pro vyhledávání: '"Amil, Adrián F."'
1
Report
Discretization of continuous input spaces in the hippocampal autoencoder
Autor: Amil, Adrian F., Freire, Ismael T., Verschure, Paul F. M. J.
The hippocampus has been associated with both spatial cognition and episodic memory formation, but integrating these functions into a unified framework remains challenging. Here, we demonstrate that forming discrete memories of visual events in spars
Externí odkaz: http://arxiv.org/abs/2405.14600
Zobrazit plný text záznamu
2
Report
Sequential memory improves sample and memory efficiency in Episodic Control
Autor: Freire, Ismael T., Amil, Adrián F., Verschure, Paul F. M. J.
State of the art deep reinforcement learning algorithms are sample inefficient due to the large number of episodes they require to achieve asymptotic performance. Episodic Reinforcement Learning (ERL) algorithms, inspired by the mammalian hippocampus
Externí odkaz: http://arxiv.org/abs/2112.14734
Zobrazit plný text záznamu
3
Report
Towards sample-efficient episodic control with DAC-ML
Autor: Freire, Ismael T., Amil, Adrián F., Vouloutsi, Vasiliki, Verschure, Paul F. M. J.
The sample-inefficiency problem in Artificial Intelligence refers to the inability of current Deep Reinforcement Learning models to optimize action policies within a small number of episodes. Recent studies have tried to overcome this limitation by a
Externí odkaz: http://arxiv.org/abs/2012.13779
Zobrazit plný text záznamu
6
Akademický článek
Towards sample-efficient policy learning with DAC-ML
Autor: Freire, Ismael T., Amil, Adrián F., Vouloutsi, Vasiliki, Verschure, Paul F.M.J.
Publikováno v: In Procedia Computer Science 2021 190:256-262
Zobrazit plný text záznamu
8
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
9
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
10
Sequential Episodic Control
Autor: Freire, Ismael T., Amil, Adrián F., Verschure, Paul F. M. J.
State of the art deep reinforcement learning algorithms are sample inefficient due to the large number of episodes they require to achieve asymptotic performance. Episodic Reinforcement Learning (ERL) algorithms, inspired by the mammalian hippocampus
Externí odkaz: https://explore.openaire.eu/search/publication?articleId=doi_dedup___::683d452d3baf9f597ef7e3daf352502a
Zobrazit plný text záznamu

Vyhledávací nástroje:

Upřesnit hledání

Omezení vyhledávání
Plný text Recenzováno Digitální knihovna AV ČR
Zdroje