ScholarGate
Assistent
Machine learningDeep learning / NLP / CV

Domæne-adaptiv forstærkningslæring

Domæne-adaptiv forstærkningslæring (DARL) udvider standard RL ved at gøre det muligt for en politik, der er trænet i ét miljø eller domæne, at overføre og generalisere effektivt til et andet, men beslægtet måldomæne. Den adresserer domæneskifteproblemet – hvor dynamik, observationer eller belønningsstrukturer adskiller sig mellem træning og implementering – gennem justering, tilpasning eller domænerandomiseringsteknikker, hvilket reducerer behovet for at indsamle kostbar erfaring i måldomænet.

Åbn i MethodMindSnartVideoSnartDownload slides

Læs hele metoden

Kun for medlemmer

Log ind med en gratis konto for at læse dette afsnit.

Log ind

Method map

The neighbourhood of related methods — select a node to explore.

Domæne-adaptiv forstærkningslæring
Dyb ForstærkningslæringOverførselslæringSemi-overvåget forstærkn…Transfer Learning med Re…

Kilder

  1. Kim, K., Kim, H., Lim, H., & Choi, J. (2020). Domain Adaptive Reinforcement Learning with Model-Based Approach. arXiv preprint arXiv:2102.03170. link ↗
  2. Domain adaptation. Wikipedia. link ↗

Sådan citerer du denne side

ScholarGate. (2026, June 3). Domain-Adaptive Reinforcement Learning. ScholarGate. https://scholargate.app/da/deep-learning/domain-adaptive-reinforcement-learning

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side →

Refereret af

Semi-overvåget forstærkningslæringTransfer Learning med Reinforcement Learning

Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →

ScholarGate — Domain-adaptive reinforcement learning (Domain-Adaptive Reinforcement Learning). Hentet 2026-06-15 fra https://scholargate.app/da/deep-learning/domain-adaptive-reinforcement-learning · Datasæt: https://doi.org/10.5281/zenodo.20539026