研究人员开发了PrefO2O,一种新颖的偏好驱动强化学习(PbRL)框架,可在新任务上实现零样本学习,无需额外的用户反馈。该方法从源任务的离线数据中学习任务不变的潜在偏好空间,从而将其偏好结构和奖励先验迁移到未见过的目标任务。PrefO2O利用置信度加权最优传输对齐来生成伪偏好监督,以进行在线奖励适应,在机器人操作和运动基准测试中表现出比现有偏好迁移基线显著的改进。 AI
影响 该框架可以显著降低训练对齐AI代理的数据要求,从而加速机器人和其他领域的发展。
排序理由 这是一篇详细介绍强化学习新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →