Aprendizaje por Refuerzo Adaptativo al Dominio

El Aprendizaje por Refuerzo Adaptativo al Dominio (DARL, por sus siglas en inglés) extiende el RL estándar al permitir que una política entrenada en un entorno o dominio se transfiera y generalice eficazmente a un dominio objetivo diferente pero relacionado. Aborda el problema del cambio de dominio —donde la dinámica, las observaciones o las estructuras de recompensa difieren entre el entrenamiento y la implementación— mediante técnicas de alineación, adaptación o aleatorización del dominio, reduciendo la necesidad de recopilar experiencia costosa en el dominio objetivo.