ScholarGate
Assistent
Machine learningDeep learning / NLP / CV

Domänadaptiv förstärkningsinlärning

Domänadaptiv förstärkningsinlärning (DARL) utökar standard-RL genom att möjliggöra att en policy som tränats i en miljö eller domän kan överföras och generaliseras effektivt till en annan, men relaterad, måldomän. Den hanterar problemet med domänförskjutning – där dynamik, observationer eller belöningsstrukturer skiljer sig mellan träning och driftsättning – genom tekniker för anpassning, justering eller domänrandomisering, vilket minskar behovet av att samla in kostsam erfarenhet i måldomänen.

Öppna i MethodMindSnartVideoSnartDownload slides

Läs hela metoden

Endast för medlemmar

Logga in med ett kostnadsfritt konto för att läsa avsnittet.

Logga in

Method map

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

Domänadaptiv förstärkningsinlärning
Djup förstärkningsinlärn…ÖverföringsinlärningSemi-övervakad förstärkn…Transfer Learning med Re…

Källor

  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 ↗

Så citerar du den här sidan

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

Refereras av

Semi-övervakad förstärkningsinlärningTransfer Learning med Reinforcement Learning

Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →

ScholarGate — Domain-adaptive reinforcement learning (Domain-Adaptive Reinforcement Learning). Hämtad 2026-06-15 från https://scholargate.app/sv/deep-learning/domain-adaptive-reinforcement-learning · Datamängd: https://doi.org/10.5281/zenodo.20539026