arXiv · 机器人与计算机视觉· Eisuke Hirota, Aarav Sane, Rohan Paleja·· 2026-10-08AI 评分48
可时间解释的可微决策树提升序列决策透明度
Temporally Interpretable Differentiable Decision Trees
AI 导读
针对现有可微决策树在时序规划上的局限,研究引入时间维度并通过动作分块与参数高效重构算法优化策略。实验显示,从蒸馏后的动作分块策略热启动的模型,在四个仿真环境中匹配神经网络策略性能的同时,参数量减少高达 80%。代码已公开于 GitHub,为具身智能的可解释性提供新路径。
来源:arXiv · 机器人与计算机视觉 · arxiv.org