视觉与机器人
面向环境建模、时序预测、仿真规划、具身智能和自动驾驶的世界模型方法与应用。
基于模型的强化学习的后验鲁棒性
机构 * Carnegie Mellon University（卡内基梅隆大学）
专题命中 模型式强化学习 ：model-based reinforcement learning(title)；model-based RL(abstract)；分类 cs.AI、cs.LG
AI总结 提出一种在推理时利用学习模型和名义策略进行鲁棒策略改进的后验鲁棒化方法，通过对抗性展开的模型预测控制提升鲁棒性，无需额外训练神经网络。
一种分解低秩RNN框架用于揭示独立神经潜在动力学和连接性
机构 * University of California, San Diego（加州大学圣迭戈分校）
专题命中 模型式强化学习 ：latent dynamics(title,abstract)；分类 cs.LG
AI总结 提出FacRNN框架，通过组间独立假设和部分相关惩罚，在低秩循环神经网络中实现潜在动力学的解耦与可解释性提升。
基于模型的强化学习的不可知系统辨识
专题命中 模型式强化学习 ：model-based reinforcement learning(title)；分类 cs.AI、cs.LG
AI总结 针对模型类可能不包含真实系统的不可知情况，提出一种利用无遗憾在线学习算法获得近优策略的迭代方法，并在离散和连续域上验证其有效性。
Comments 8 pages, published in ICML 2012
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈