ScholarGate
Pembantu
Machine learningDeep learning / NLP / CV

Pembelajaran Penguatan Adaptif Domain

Pembelajaran Penguatan Adaptif Domain (DARL) meluaskan RL standard dengan membolehkan dasar yang dilatih dalam satu persekitaran atau domain untuk dipindahkan dan digeneralisasikan secara berkesan ke domain sasaran yang berbeza tetapi berkaitan. Ia menangani masalah anjakan domain — di mana dinamik, pemerhatian, atau struktur ganjaran berbeza antara latihan dan penggunaan — melalui teknik penjajaran, adaptasi, atau rawak domain, mengurangkan keperluan untuk mengumpul pengalaman mahal dalam domain sasaran.

Buka dalam MethodMindTidak lama lagiVideoTidak lama lagiDownload slides

Baca kaedah sepenuhnya

Ahli sahaja

Log masuk dengan akaun percuma untuk membaca bahagian ini.

Log masuk

Method map

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

Pembelajaran Penguatan Adaptif Domain
Pembelajaran Penguatan D…Pembelajaran PindahanPembelajaran Pengukuhan…Pembelajaran Pemindahan…

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 memetik halaman ini

ScholarGate. (2026, June 3). Domain-Adaptive Reinforcement Learning. ScholarGate. https://scholargate.app/ms/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 →

Dirujuk oleh

Pembelajaran Pengukuhan Separa SeliaanPembelajaran Pemindahan dengan Pembelajaran Pengukuhan

Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →

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