# Eksploracja przez szum w parametrach sieci (NoisyNet)

EN: **Parameter-space noise for exploration (NoisyNet)** · id `noisynets` · aliases: NoisyNet, noisy networks, parameter space noise, szum parametrów

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Uczenie ze wzmocnieniem i decyzje](https://aiatlasgraph.com/t/decisions.md) › [Strategie eksploracji w RL](https://aiatlasgraph.com/t/rlexploration.md) › Eksploracja przez szum w parametrach sieci (NoisyNet)

## Description

- PL: Eksploracja przez wyuczony szum dodawany do wag sieci polityki lub Q, którego skala jest trenowana gradientowo razem z pozostałymi parametrami.
- EN: Exploration through learned noise added to the weights of a policy or Q network, with its scale trained by gradient descent alongside the other parameters.

## In one sentence

- PL: Zamiast losować pojedyncze ruchy, program lekko i w kontrolowany sposób zaburza własny sposób decydowania, więc działa trochę inaczej.
- EN: Instead of randomising single moves, the program slightly and controllably perturbs its own way of deciding.

## Problem it solves

- PL: Ręczne ustawianie, jak często agent ma działać losowo, jest żmudne i nie dopasowuje się do zadania.
- EN: Hand-setting how often an agent should act randomly is tedious and does not adapt to the task.

## What it does

- PL: Jak muzyk, który gra tę samą piosenkę z lekko innym nastrojem każdego wieczoru, zamiast wtrącać przypadkowe fałszywe nuty.
- EN: Like a musician playing the same song in a slightly different mood each night, rather than inserting random wrong notes.

## Everyday example

- PL: Postać sterowana przez AI w grze przy każdej rozgrywce przyjmuje nieco inny styl, sprawdzając, który daje lepszy wynik.
- EN: An AI-controlled game character adopts a slightly different style each playthrough, checking which scores better.

## This concerns you if you…

- PL: nie chcesz ręcznie stroić losowości agenta
- PL: trenujesz agenta na grach i szukasz lepszej eksploracji
- EN: you do not want to hand-tune an agent's randomness
- EN: you train agents on games and want better exploration

## Keywords

noisy linear layer · factorised Gaussian noise · parameter space noise · Rainbow · A3C · DQN

## How it works

- PL: Warstwy liniowe zastępuje się warstwami, których wagi mają średnią i wyuczalne odchylenie standardowe szumu. Zaburzenie wag zmienia politykę spójnie w wielu krokach, a sieć sama uczy się, gdzie zmniejszyć szum. Metodę zastosowano m.in. w DQN, wariancie dueling i A3C zamiast eksploracji ε-zachłannej lub entropii.
- EN: Linear layers are replaced by layers whose weights have a mean and a learnable noise standard deviation. Perturbing weights changes the policy consistently across many steps, and the network learns where to reduce noise. It was applied to DQN, dueling agents and A3C in place of ε-greedy or entropy-based exploration.

## Limits

- PL: Zwiększa liczbę parametrów i nie gwarantuje celowej, głębokiej eksploracji w bardzo trudnych zadaniach. Zysk zależy od środowiska; w części gier jest niewielki.
- EN: It increases parameter count and does not guarantee deliberate deep exploration in very hard tasks. Gains depend on the environment and are small in some games.

## Key terms

- PL: **szum parametrów**: Losowe zaburzenie wag sieci zamiast wyjściowych akcji.
- PL: **warstwa z szumem**: Warstwa sieci z wyuczalną średnią i rozrzutem wag.
- EN: **parameter noise**: Random perturbation of network weights instead of output actions.
- EN: **noisy layer**: A network layer with learnable weight mean and spread.

## Know first

- [Q-learning i głębokie sieci Q (DQN) (Q-learning and deep Q-networks (DQN))](https://aiatlasgraph.com/t/qlearning.md)
- [Podstawy sieci neuronowych (Neural network fundamentals)](https://aiatlasgraph.com/t/neuralbasics.md)

## Related topics

Untyped, symmetric "see also" links.

- [Rainbow: połączenie ulepszeń DQN (Rainbow DQN)](https://aiatlasgraph.com/t/rainbowdqn.md)

## Sources

- [Rainbow: Combining Improvements in Deep Reinforcement Learning](<https://arxiv.org/abs/1710.02298>) `rainbow-2017` · by Matteo Hessel; Joseph Modayil; Hado van Hasselt; Tom Schaul; Georg Ostrovski; Will Dabney; Dan Horgan; Bilal Piot; Mohammad Azar; David Silver
- [Noisy Networks for Exploration](<https://arxiv.org/abs/1706.10295>) `noisynet-2017` · by Meire Fortunato; Mohammad Gheshlaghi Azar; Bilal Piot; Jacob Menick; Ian Osband; Alex Graves; Vlad Mnih; Rémi Munos; Demis Hassabis; Olivier Pietquin; Charles Blundell; Shane Legg

---

AI Atlas revision 128 (2026-11-04) · HTML: https://aiatlasgraph.com/t/noisynets · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-11-04