使用强化学习进行分类问题

Question

我可以在分类上使用强化学习吗？比如人类活动识别？怎么样？

Answer 1

有两种类型的反馈。一个是用于强化学习方法的评价，另一个是用于监督学习的指导性，主要用于分类问题。

当使用监督学习时，基于已经存在的正确类别标签的信息，调整网络的权重，例如神经网络。所以在选择错误的类损失增加和权重调整，以便对于那种输入，不再选择这个错误的类。

然而，在强化学习中，系统探索所有可能的动作，在这种情况下各种输入的类标签，并通过评估奖励来决定什么是对的，什么是错的。也许情况也是如此，直到它获得正确的类标签，它可能会给出错误的类名，因为它是迄今为止发现的最佳输出。因此，它没有利用我们对类标签的具体知识，因此与监督学习相比，显着降低了收敛速度。

您可以将强化学习用于分类问题，但它不会给您任何额外的好处，反而会降低您的收敛速度。

Answer 2

简短回答：是的。

详细答案：是的，但这有点矫枉过正。当您没有标记数据集来学习正确的策略时，强化学习很有用，因此您需要根据奖励制定正确的策略。这也允许通过不可微分块反向传播（我认为这不是你的情况）。强化学习方法的最大缺点是，通常需要非常大的时间来收敛。因此，如果您拥有标签，那么使用常规监督学习会更快更容易。

Answer 3

您也许可以开发一个RL模型，以选择要使用的分类器。 gt标签用于训练分类器，这些分类器的性能变化是RL模型的奖励。正如其他人所说，收敛可能会花费很长时间。这个想法可能还需要许多技巧和调整才能使其生效。我建议搜索有关此主题的研究论文。