【标题】Robust Meta-Reinforcement Learning with Curriculum-Based Task Sampling

【作者团队】Morio Matsumoto, Hiroya Matsuba, Toshihiro Kujirai

【发表日期】2022.3.31

【论文链接】https://arxiv.org/pdf/2203.16801.pdf

【推荐理由】元强化学习（Meta-RL）获得的元策略在广泛的任务分布中表现出良好的性能。然而，传统的元RL通过随机抽样任务来学习元策略，据报道，它对某些任务表现出元过度拟合，尤其是对于容易获得高分的任务。为了减少元过度拟合的影响，本文考虑了基于课程的任务抽样的元RL。该方法是基于引导任务抽样的稳健元强化学习（RMRL-GTS），这是一种有效的方法，可以限制基于分数和时代的任务抽样，研究表明，为了实现鲁棒的元RL，不仅需要对分数较低的任务进行密集抽样，还需要限制和扩展待抽样任务的任务区域。

内容中包含的图片若涉及版权问题，请及时与我们联系删除