范围
《IEEE神经网络和学习系统汇刊》发表了有关神经网络和相关学习系统的理论、设计和应用的技术文章。
注意作者：请阅读双重匿名审查策略年在提交手稿之前。
影响得分
IEEE Xplore中期刊文献计量字段显示的值基于Clarivate于2023年6月发布的2022年报告中的期刊引用报告。CiteScore指标显示的值来自2023年6月发布的Scopus 2022报告。期刊引用指标期刊引用指标，如影响因子、特征因子得分™和文章影响得分™，适用时可用。汤森路透（Thomson Reuters）每年的《期刊引文报告》（Journal Citation Reports©，JCR）都会对学术研究期刊的影响力进行调查。JCR揭示了引用期刊和被引用期刊之间的关系，为评估世界领先期刊提供了系统、客观的方法。了解更多有关IEEE期刊文献计量学.
特殊问题
IEEE TNNLS专题提案：基础模型的进展[文件征集]
特邀编辑：美国佐治亚大学刘天明、美国马萨诸塞州总医院和哈佛医学院李翔、中国香港科技大学陈浩、中国香港中文大学袁一轩、德国达姆施塔特大学阿尼尔班·穆霍巴迪。
提交截止日期：2024年8月15日
特色纸张
以知识塑造强化学习控制
IEEE神经网络和学习系统汇刊（第35卷，第3期，2024年3月）
摘要：我们旨在创建一个转移强化学习框架，该框架允许学习控制器的设计利用从以前学习的任务和以前的数据中提取的先前知识来提高新任务的学习性能。为了实现这一目标，我们通过在问题结构中的价值函数中表达知识来形式化知识转移，这被称为带知识成形的强化学习（RL-KS）。与大多数实证性的迁移学习研究不同，我们的结果不仅包括仿真验证，还包括算法收敛性和解的最优性分析。此外，与建立在政策不变性证明基础上的成熟的基于潜力的奖励形成方法不同，我们的RL-KS方法允许我们朝着积极知识转移的新理论结果前进。此外，我们的贡献包括两种原则性方法，它们涵盖了一系列在RL-KS中表示先验知识的实现方案。我们对提出的RL-KS方法进行了广泛而系统的评估。评估环境不仅包括经典的RL基准问题，还包括一项具有挑战性的任务，即实时控制机器人下肢，并在回路中有一个人类用户。
IEEE Xplore链接:https://ieeexplore.ieee.org/document/10053632
