PulseAugur
中
实时 09:09:37
English(EN) ConTraIRL: Factorized Contrastive Abstractions for Transferable IRL

新的IRL框架通过解耦表示增强奖励迁移

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种名为ConTraIRL的新型框架，旨在改进逆强化学习（IRL）中的奖励迁移。该方法解决了当前IRL技术在策略需要泛化到新的环境动力学和任务目标时不可靠的问题。ConTraIRL通过学习独立的动力学和目标潜在表示来实现这一点，从而实现组合式奖励迁移，并在实验中展示了有效的少样本迁移能力。 AI

影响 该框架可以提高强化学习智能体在复杂、动态环境中的泛化能力和样本效率。

排序理由 该集群包含一篇详细介绍逆强化学习新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Yikang Gui, Bikramjit Banerjee, Prashant Doshi ·

    ConTraIRL：可迁移IRL的因子化对比抽象

    arXiv:2606.03017v1 Announce Type: cross Abstract: Reward transfer in Inverse Reinforcement Learning (IRL) is unreliable when policies must generalize to unseen combinations of environment dynamics and task goals. We propose Factorized Contrastive Abstractions for Transferable IRL…

相关话题