כתבה
arXiv cs.LG ·
DaCe-DT: רכיבה נתונים-מרכזית ללמידה רב-משימתית באופן רפלקסיבי
DaCe-DT: Data-Centric Offline Multi-Task Reinforcement Learning via Adaptive Prompts and Trajectory Correction for Heterogeneous Tasks
מסגרת ללמידה רפלקסיבית רב-משימתית באופן אופייני, עם תיקון נתיב והצבת תוויות תגובה.
תקציר מקורי באנגליתarXiv:2610.11085v1 Announce Type: new Abstract: Offline multi-task reinforcement learning (Offline MTRL) heavily depends on the quality and distribution of pre-collected data. However, existing methods mainly focus on algorithmic optimization, with less emphasis on data-level improvements to enhance learning ability and generalization performance. This paper, from a data perspective, reveals three key bottlenecks that limit Offline MTRL performance:(i) ineffective utilization of prompts length under diverse task complexities, and (ii) semantic irrelevance of randomly sampled prompt segments, (iii) misleading supervision induced by fragmented and discontinuous trajectories. To address these challenges, we propose DaCe-DT, a robust offline MTRL framework designed to be insensitive to heterog
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית