Apprendimento di Rappresentazioni Misurabili dei Compiti per la Generazione Automatica di Curricula

Viene proposto un nuovo approccio alla generazione automatica di curricula nell'apprendimento per rinforzo, che affronta le limitazioni dei metodi basati su interpolazione in spazi di compiti non euclidei. Il metodo, dettagliato in arXiv:2605.23372v1, introduce l'apprendimento di rappresentazioni misurabili dei compiti per consentire la generazione automatica di curricula per compiti di navigazione complessi. Il curriculum reinforcement learning (CRL) tradizionale basato su interpolazione presuppone uno spazio di compiti euclideo con metriche di distanza significative, il che fallisce in contesti non euclidei. La tecnica proposta apprende una rappresentazione misurabile dei compiti, consentendo all'agente di generare automaticamente compiti intermedi tra distribuzioni iniziali e target senza fare affidamento su metriche predefinite. Ciò fa progredire il CRL estendendo la generazione automatica di curricula ad ambienti più impegnativi in cui la similarità dei compiti non può essere facilmente misurata.