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.
Källpost
Citat kopierade ordagrant från metodens källpost. Ingen verifiering på källnivå härleds från dem.
- 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
Kuraterade påståenden
Påståenden lagrade i bevisloggen, var och en med sin egen bedömning.
Denna vy hittar inte på en påståendebedömning när loggen saknar en.
Relaterade metoder
Genererade från metodgrafen och visade som maskinföreslagna relationer – inga bevispåståenden härleds.