Domain-adaptive reinforcement learning
Domain-Adaptive Reinforcement Learning (DARL) extends standard RL by enabling a policy trained in one environment or domain to transfer and generalise effectively to a different but related target domain. It addresses the domain-shift problem — where dynamics, observations, or reward structures differ between training and deployment — through alignment, adaptation, or domain-randomisation techniques, reducing the need to collect costly experience in the target domain.
Catatan sumber
Kutipan disalin apa adanya dari catatan sumber metode. Tidak ada verifikasi tingkat klaim yang disimpulkan darinya.
- Kim, K., Kim, H., Lim, H., & Choi, J. (2020). Domain Adaptive Reinforcement Learning with Model-Based Approach. arXiv preprint arXiv:2102.03170. · URL
- Domain adaptation. Wikipedia. · URL
Klaim yang dikurasi
Klaim tersimpan dalam buku besar bukti, masing-masing dengan penilaiannya sendiri.
Tampilan ini tidak menciptakan penilaian klaim ketika buku besar tidak memilikinya.
Metode terkait
Dihasilkan dari grafik metode dan ditampilkan sebagai relasi yang disarankan mesin — tidak ada klaim bukti yang disimpulkan.