Doménově adaptivní zpětné učení
Doménově adaptivní zpětné učení (DARL) rozšiřuje standardní RL tím, že umožňuje politice natrénované v jednom prostředí nebo doméně efektivně přenést a zobecnit do jiného, avšak souvisejícího cílového doménu. Řeší problém posunu domény — kdy se dynamika, pozorování nebo struktury odměn liší mezi tréninkem a nasazením — pomocí technik vyrovnávání, adaptace nebo náhodné generace domény, čímž se snižuje potřeba sbírat nákladné zkušenosti v cílovém doméně.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Mapa metod
Okolí příbuzných metod — vyberte uzel, který chcete prozkoumat.
Zdroje
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Domain-Adaptive Reinforcement Learning. ScholarGate. https://scholargate.app/cs/deep-learning/domain-adaptive-reinforcement-learning
Která metoda?
Postavte tuto metodu vedle jejích nejbližších příbuzných a čtěte je vedle sebe — knihovna položí knihy na stůl; volba je na vás.
- Hluboké zpatňované učeníHluboké učení↔ porovnat
- Přenosové učeníStrojové učení↔ porovnat
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →