DEEP REINFORCEMENT LEARNING PARA O ARCADE LEARNING ENVIRONMENT
FLAVIO THIAGO FRANCO VAZ · 2024
Este estudo investiga a aplicação de técnicas de Deep Reinforcement Learning (DRL) no Arcade Learning Environment (ALE), com o objetivo de desenvolver agentes capazes de superar o desempenho humano em jogos do Atari 2600.A pesquisa foca na avaliação do desempenho e da convergência de técnicas de inicialização de pesos e bias consolidadas na literatura na arquitetura da Deep Q-Network (DQN).A análise inclui comparações entre diferentes estratégias de inicialização e suas implicações na eficiência de aprendizado e na robustez dos agentes treinados em um amplo conjunto de jogos.