ScholarGate
Asisten
Machine learningDeep learning / NLP / CV

Pembelajaran Penguatan Adaptif Domain

Pembelajaran Penguatan Adaptif Domain (DARL) memperluas RL standar dengan memungkinkan kebijakan yang dilatih di satu lingkungan atau domain untuk ditransfer dan digeneralisasi secara efektif ke domain target yang berbeda namun terkait. Ini mengatasi masalah pergeseran domain — di mana dinamika, observasi, atau struktur imbalan berbeda antara pelatihan dan penerapan — melalui teknik penyelarasan, adaptasi, atau randomisasi domain, mengurangi kebutuhan untuk mengumpulkan pengalaman yang mahal di domain target.

Buka di MethodMindSegeraVideoSegeraUnduh salindia

Baca metode selengkapnya

Khusus anggota

Masuk dengan akun gratis untuk membaca bagian ini.

Masuk

Peta metode

Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.

Pembelajaran Penguatan Adaptif Domain
Pembelajaran Penguatan D…Transfer LearningReinforcement Learning S…Pembelajaran Transfer de…

Sumber

  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 ↗

Cara menyitasi halaman ini

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

Metode yang mana?

Letakkan metode ini berdampingan dengan kerabat terdekatnya dan baca secara bersisian — pustaka menata bukunya di atas meja; pilihan ada di tangan Anda.

Bandingkan berdampingan →

Dirujuk oleh

Reinforcement Learning Semi-TerawasiPembelajaran Transfer dengan Pembelajaran Penguatan

Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →

ScholarGate — Domain-adaptive reinforcement learning (Domain-Adaptive Reinforcement Learning). Diakses 2026-06-15 dari https://scholargate.app/id/deep-learning/domain-adaptive-reinforcement-learning · Set data: https://doi.org/10.5281/zenodo.20539026