ATLAS: Un Nuovo Algoritmo di Apprendimento Continuo per il Reinforcement Learning
È stato sviluppato un nuovo algoritmo chiamato Adaptive Topological Learning with Abstract Successors (ATLAS) per affrontare i problemi legati all'efficienza del campione e alla robustezza nell'apprendimento per rinforzo. La ricerca, pubblicata su arXiv (2608.04334), introduce una tecnica che fonde una rete Grow When Required con Successor Features, migliorando l'efficienza del campione e riducendo l'oblio catastrofico. ATLAS è stato testato in scenari di navigazione spaziale, confrontato con algoritmi standard on-policy e off-policy. I risultati indicano che separando le dinamiche di transizione dal segnale di ricompensa, ATLAS può adattarsi rapidamente a nuovi obiettivi e dimostra un trasferimento all'indietro benefico, superando significativamente i metodi tradizionali in ambienti dinamici.
Fatti principali
- ATLAS sta per Adaptive Topological Learning with Abstract Successors.
- L'articolo è disponibile su arXiv con identificatore 2608.04334.
- ATLAS utilizza una rete Grow When Required con Successor Features.
- Mira a raggiungere un'elevata efficienza del campione e robustezza ai cambiamenti ambientali.
- Valutato in compiti di navigazione spaziale.
- Confrontato con algoritmi on-policy e off-policy.
- ATLAS disaccoppia le dinamiche di transizione dal segnale di ricompensa.
- Mostra un trasferimento all'indietro positivo e un adattamento quasi istantaneo a nuovi obiettivi.
Entità
Istituzioni
- arXiv