ScholarGate
Assistente
Machine learningDeep learning / NLP / CV

Aprendizagem por Reforço Adaptativa a Domínio

A Aprendizagem por Reforço Adaptativa a Domínio (DARL) estende a RL padrão ao permitir que uma política treinada num ambiente ou domínio seja transferida e generalizada eficazmente para um domínio alvo diferente, mas relacionado. Aborda o problema da mudança de domínio — onde as dinâmicas, observações ou estruturas de recompensa diferem entre o treino e a implantação — através de técnicas de alinhamento, adaptação ou aleatorização de domínio, reduzindo a necessidade de recolher experiência dispendiosa no domínio alvo.

Abrir no MethodMindEm breveVídeoEm breveDownload slides

Leia o método completo

Exclusivo para membros

Entre com uma conta gratuita para ler esta seção.

Entrar

Method map

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

Aprendizagem por Reforço Adaptativa a Domínio
Aprendizado por Reforço…Aprendizagem por Transfe…Aprendizado por Reforço…Transfer Learning com Ap…

Fontes

  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 ↗

Como citar esta página

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

Referenciado por

Aprendizado por Reforço Semi-supervisionadoTransfer Learning com Aprendizado por Reforço

Encontrou um problema nesta página? Relate ou sugira uma correção →

ScholarGate — Domain-adaptive reinforcement learning (Domain-Adaptive Reinforcement Learning). Recuperado em 2026-06-15 de https://scholargate.app/pt/deep-learning/domain-adaptive-reinforcement-learning · Conjunto de dados: https://doi.org/10.5281/zenodo.20539026