כתבה
arXiv cs.AI ·
Meta-RL עם Bayesian Linear Task Models
Meta-RL with Bayesian Linear Task Models
GLiBRL, פלטפורמה Bayesian RL, משפרת ייצוגי משימות והערכת סבירות. היא משלבת דגמי משימות רגליים ופונקציות בסיס רכובות. GLiBRL מציעה עדכונים פוסטריירים רצפיים וסבירות קרוב-טוב. היא ניתנת לשילוב עם אלגוריתמי פוליסי וא-פוליסי. GLiBRL מציעה זהויות קרן דקדוקיות, קשרי זהויות ופונקציות קרן. GLiBRL משפרת את תוצאות הבדיקה זר-משימה על MuJoCo ו-MetaWorld.
תקציר מקורי באנגליתarXiv:2512.20974v4 Announce Type: replace-cross Abstract: Deep Bayesian reinforcement learning adapts to unseen tasks by inferring latent transition and reward models, but existing methods typically rely on variational posteriors and evidence lower bounds, introducing approximation error and unstable task representations. We introduce GLiBRL, a deep Bayesian RL framework that combines generalised linear task models with learnable non-linear basis functions. GLiBRL features conjugate Bayesian inference, yielding exact, sequential posterior updates over task parameters and model noise, together with a closed-form marginal likelihood that eliminates variational inference. The update is naturally permutation-invariant, allowing GLiBRL to integrate with both off- and on-policy algorithms. GLiBR
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית