07/07/2022, Quinta-feira, 17:00 — 18:00 Europa/Lisboa — Online

A aprendizagem de um comportamento para executar uma dada tarefa pode ser obtida através da interacção com o ambiente. Este é o cerne da aprendizagem por reforço (reinforcement learning - RL), onde um agente (automatizado) aprende a resolver um problema através de um processo iterativo de tentativa-e-erro. Mais especificamente, um agente RL pode interagir com o ambiente e aprender com estas interacções observando um feedback relativo ao objectivo da tarefa. Por conseguinte, estes métodos requerem tipicamente a capacidade de intervir no ambiente e cometer (possivelmente um número muito grande de) erros. Embora isto possa ser um factor limitativo em algumas aplicações, configurações simples de RL, tais como o multi-armed bandit problem,ainda permitem considerar uma variedade de problemas para comportamentos de aprendizagem interactiva. Noutras situações, a simulação pode ser essencial.

Nesta palestra, mostraremos que a RL pode ser utilizada para formular e resolver problemas de aquisição de dados (imagem) em neurociências. Veremos como formulações com bandit problems podem ser utilizadas para optimizar a imagem de super-resolução através da aprendizagem em dispositivos reais através de um processo empírico real. Veremos também como a simulação pode ser aproveitada para aprender mais estratégias sequenciais de tomada de decisão. Estas aplicações realçam o potencial da RL para apoiar peritos em tarefas difíceis e levar a novas descobertas.

Mais informação aqui.