TL;DR
- چکیده:.
- یادگیری تقویتی عمیق (DRL) عملکرد قابل توجهی را در مشکلات کنترل پیچیده در سیستمها و شبکهها،.
- از جمله جریان ویدئوی تطبیقی،.
چه اتفاقی افتاد
چکیده:. یادگیری تقویتی عمیق (DRL) عملکرد قابل توجهی را در مشکلات کنترل پیچیده در سیستمها و شبکهها،.
از جمله جریان ویدئوی تطبیقی،. مدیریت منابع بیسیم و کنترل ازدحام نشان داده است.
با این حال،. برای استقرار ایمن،.
بسیار مهم است که در مورد نحوه رفتار عاملها در طیف وسیعی از حالتهای سیستمیکه. در عمل با آنها مواجه میشوند،.
استدلال کنیم. روشهای مبتنی بر تأیید موجود در این حوزه عمدتاً بر روی ویژگیهای نقطهای تمرکز میکنند که حول حالتهای.
ورودی ثابت تعریف شدهاند،. که پوشش محدودی ارائه میدهند و به تلاش دستی قابلتوجهی برای شناسایی جفتهای ورودی-خروجی مربوطه برای تجزیه و.
تحلیل نیاز دارند. در این مقاله،.
ویژگیهای نمادین را مطالعه میکنیم که رفتار مورد انتظار را در محدودهای از حالتهای ورودی،. برای عوامل DRL در سیستمها و شبکهها مشخص میکنند.
ما یک فرمول عمومیبرای ویژگیهای نمادین،. با یکنواختی و استحکام بهعنوان نمونههای عینی ارائه میکنیم،.
و نشان میدهد که چگونه میتوان آنها را با استفاده از موتورهای تأیید DNN موجود تجزیه. و تحلیل کرد.
رویکرد ما ویژگیهای نمادین را بهعنوان مقایسه بین اجراهای مرتبط یک سیاست رمزگذاری میکند و آنها را به. ویژگیهای فرعی عملاً قابل حمل تجزیه میکند.
این تکنیکها بهعنوان توانمندسازهای عملی برای به کارگیری ابزارهای تأیید موجود در تحلیل نمادین عمل میکنند. با استفاده از چارچوب خود،.
diffRL،. ما یک مطالعه تجربی گسترده را در سه سیستم کنترل مبتنی بر DRL،.
جریان ویدئوی تطبیقی،. مدیریت منابع بیسیم و کنترل ازدحام انجام میدهیم.
از طریق این مطالعات موردی،. ما ویژگیهای نمادین را در دامنههای ورودی گسترده تجزیه و تحلیل میکنیم،.
بررسی میکنیم که چگونه رضایت از ویژگی در طول آموزش تکامل مییابد،. تأثیر اندازه مدل را بر تأییدپذیری مطالعه میکنیم و پشتوانههای تأیید چندگانه را مقایسه میکنیم.
نتایج ما نشان میدهد که ویژگیهای نمادین پوشش گستردهتری نسبت به ویژگیهای نقطهای ارائه میدهند و میتوانند موارد. غیر آشکار را آشکار کنند.
نمونههای متقابل معنادار از نظر عملیاتی، در حالی که مبادلات و محدودیتهای حلکننده عملی را نیز آشکار میکنند. پذیرفته شده در ACM SIGMETRICS'26 شبکه و معماری اینترنت (cs.
NI)؛ هوش مصنوعی (cs. AI)؛ یادگیری ماشینی (cs.
LG) استناد بهعنوان: (یا v1 [cs. NI] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. محمد زنگویی [مشاهده ایمیل] [v1] دوشنبه،.
6 آوریل 2026،. 17:.
55:. 15 UTC (1,.
046 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.