Aprendiendo modelos sparse para algoritmos de deep reinforcement learning basados en policy gradient
| dc.contributor.advisor | Löbel Díaz, Hans-Albert | |
| dc.contributor.author | Meléndez Salinas, Christian | |
| dc.contributor.other | Pontificia Universidad Católica de Chile. Escuela de Ingeniería | |
| dc.date.accessioned | 2021-04-01T11:18:46Z | |
| dc.date.available | 2021-04-01T11:18:46Z | |
| dc.date.issued | 2021 | |
| dc.description | Tesis (Magíster en Ciencias de la Ingeniería)--Pontificia Universidad Católica de Chile, 2021 | |
| dc.description.abstract | Los modelos de redes neuronales han sido ampliamente utilizados durante la última década, debido principalmente a su gran versatilidad y capacidad de obtener un alto rendimiento al resolver diversos problemas. Una de las posibles causas de este fenómeno parece ser la estructura jerárquica y la gran cantidad de parámetros que poseen, ya que les otorga un gran poder expresivo. Sin embargo, esta gran complejidad puede ser perjudicial, ya que puede generar: i) overfitting, ii) parámetros redundantes para la tarea que se está resolviendo y iii) cómputo innecesario. Una forma de reducir la complejidad del modelo es a través de regularización sparse, la cual consiste en una penalización dentro de la función objetivo del problema de optimización que fuerza el uso de menos parámetros o neuronas. Se han explorado formas de reducir la complejidad de los modelos de redes neuronales a través de regularización en contextos de aprendizaje supervisado, sin embargo, no se ha explorado el efecto que tiene en un contexto de aprendizaje reforzado basado en policy gradient. El presente trabajo estudia la posibilidad de obtener modelos menos complejos en aprendizaje reforzado utilizando algoritmos basados en policy gradient. Esto se hace comparando distintos tipos de regularización sparse, enfocándose en la obtención de modelos menos complejos en cuanto al uso de neuronas. Los resultados de este estudio indican que sí es posible encontrar modelos que utilicen una baja cantidad de neuronas a través de regularización sparse, siendo aquella aplicada sobre las activaciones la que obtuvo mejores resultados en cuanto a rendimiento y nivel de sparsity. Además, se muestra que modelos menos complejos poseen neuronas más especializadas que podrían ayudar a interpretar modelos en cuanto al rol que cumplen grupos de neuronas dentro de una política. | |
| dc.format.extent | x, 76 páginas | |
| dc.identifier.doi | 10.7764/tesisUC/ING/57233 | |
| dc.identifier.uri | https://doi.org/10.7764/tesisUC/ING/57233 | |
| dc.identifier.uri | https://repositorio.uc.cl/handle/11534/57233 | |
| dc.language.iso | es | |
| dc.nota.acceso | Contenido completo | |
| dc.rights | acceso abierto | |
| dc.subject.ddc | 006.32 | |
| dc.subject.dewey | Ciencias de la computación | es_ES |
| dc.subject.other | Redes neurales (Ciencia de la computación) | es_ES |
| dc.subject.other | Algoritmos computacionales | es_ES |
| dc.title | Aprendiendo modelos sparse para algoritmos de deep reinforcement learning basados en policy gradient | es_ES |
| dc.type | tesis de maestría | |
| sipa.codpersvinculados | 131278 | |
| sipa.codpersvinculados | 232751 |