隐空间世界模型强化学习的密度引导自举边界
英文标题：Density-Guided Bootstrap Boundaries for Latent World-Model Reinforcement Learning
该论文针对隐空间世界模型强化学习（Latent World-Model RL）中的关键挑战，探索了密度引导的自举边界设计。隐世界模型允许强化学习 Agent 在想象轨迹中学习策略，但传统算法通常采用固定的想象视界与统一预测深度，容易在超出分布区域累积模型误差导致策略退化。该方法通过状态密度引导动态确定自举截断边界，为解决世界模型复合预测误差、提升强化学习样本效率与鲁棒性提供了重要借鉴。
打开原文相关 2.4 · 机会 1
2.0 KB
640 B
612 B
380 B
24.2 KB
34.7 KB
中文
论文摘要
隐空间世界模型（Latent world models）允许强化学习 Agent 从想象轨迹中学习策略，然而确定对模型依赖的最佳深度始终是一项根本性挑战。固定的想象视界（Fixed imagination horizons）对所有情境采用统一的预测深度……
BibTeX 引用格式
×
English / 原文
BibTeX formatted citation
×