跳到正文
arXiv · 机器人与计算机视觉· Jingyang You, Hanna Kurniawati·· 12 小时前精选AI 评分82

GLiBRL:一种结合广义线性任务模型的深度贝叶斯强化学习框架

Meta-RL with Bayesian Linear Task Models

AI 导读

该论文提出 GLiBRL 框架,旨在解决现有深度贝叶斯强化学习方法依赖变分后验和证据下界导致的近似误差及表示不稳定问题。该方法将广义线性任务模型与可学习的非线性基函数相结合,利用共轭贝叶斯推断实现精确的序列后验更新和闭式边际似然,从而消除变分推断并支持策略算法的灵活集成。

推荐理由

该工作提出 GLiBRL 框架,通过共轭贝叶斯推断消除变分近似误差,在 MuJoCo 和 MetaWorld 基准上实现最高零样本性能。

来源:arXiv · 机器人与计算机视觉 · arxiv.org