No abstract

No abstract

No abstract

© Гулин К.А., Ермолов А.П. Аннотация. В настоящее время значительной частью научно-экспертного сообщества и политиков признается ключевая роль «новой индустрии» в обеспечении экономического роста стран мира и их конкурентоспособности на мировых рынках. Новая промышленная политика ряда ведущих стран (после глобального финансового кризиса 2008 г.), характеризуемая как «промышленный ренессанс», сочетает в себе приоритет на развитии прорывных технологий и новый подход к взаимодействию в рамках формирования и реализации промышленной политики. Существующая в России практика ее формирования и реализации слабо связана с национальными приоритетами и задачами обеспечения устойчивого экономического роста и увеличения благосостояния. Это блокирует возможности эффективного использования собственных ресурсов в целях повышения конкурентоспособности и поступательного развития. Под «национальной промышленной политикой» авторы понимают комплекс мер, направленных на развитие промышленного сектора и повышение его конкурентоспособности, реализуемый посредством системного взаимодействия ПРОМЫШЛЕННАЯ ПОЛИТИКА Константин Анатольевич ГУЛИН доктор экономических наук, доцент Институт социально-экономического развития территорий РАН 160014, Россия, г. Вологда, ул. Горького, д. 56а

Environments in Reinforcement Learning are usually only partially observable. To address this problem, a possible solution is to provide the agent with information about the past. However, providing complete observations of numerous steps can be excessive. Inspired by human memory, we propose to represent history with only important changes in the environment and, in our approach, to obtain automatically this representation using self-supervision. Our method (TempAl) aligns temporallyclose frames, revealing a general, slowly varying state of the environment. This procedure is based on contrastive loss, which pulls embeddings of nearby observations to each other while pushing away other samples from the batch. It can be interpreted as a metric that captures the temporal relations of observations. We propose to combine both common instantaneous and our history representation and we evaluate TempAl on all available Atari games from the Arcade Learning Environment. TempAl surpasses the instantaneous-only baseline in 35 environments out of 49. The source code of the method and of all the experiments is available at https://github.com/htdt/tempal.