欢迎光临
我们一直在努力
        找回密码
当前位置：171主机测评 > 服务器技术 > 正文

2025_NIPS_Learning Dynamic Attribute-factored World Models for Efficient Multi-object Reinforceme...

2026-06-03 分类：服务器技术 阅读(39) 评论(0)

文章核心总结

主要内容

本文提出动态属性分解强化学习（DAFT-RL）框架，聚焦多目标强化学习中的组合泛化问题——即agent需与不同类型物体交互，并泛化到未见过的物体组合、数量及任务组合。框架通过物体中心表示学习提取视觉输入中的物体，结合三类图结构（类模板图、交互模式图、动态交互图），在属性层面精细分解物体的动力学和奖励函数，最终实现无需额外策略学习即可适配新环境。

核心创新点
  • 属性级精细分解：突破现有方法仅在物体层面分解的局限，深入属性维度（如位置、速度、摩擦系数），建模稀疏的属性间依赖关系。
  • 三类结构化图模型：类模板图描述同类物体的属性动力学模板，交互模式图定义不同类物体的属性级交互规则，动态交互图捕捉物体间随时间变化的稀疏交互。
  • 高效泛化机制：通过学习物体类别的通用模板和交互规则，结合 latent 参数推断，实现对未见过的物体数量、属性组合、任务组合的快速适配。
  • 端到端可学习架构：融合物体中心表示、因果分解、软注意力机制和动态神经关系推理，一体化完成物体提取、图结构学习和策略优化。

    • 翻译部分（Markdown格式）

    Abstract

    在许多强化学习任务中，智能体必须学会与多种不同类

    赞(0)
    未经允许不得转载：171主机测评 » 2025_NIPS_Learning Dynamic Attribute-factored World Models for Efficient Multi-object Reinforceme...
    分享到： 更多 (0)
    标签：

    相关推荐

    评论 抢沙发

    取消

    • 昵称 (必填)
    • 邮箱 (必填)
    • 网址

    热门标签

    #人工智能(59455)#python(20168)#开发语言(16900)#java(15506)#运维(15381)#linux(14971)#大数据(14597)#服务器(13079)#算法(11798)#前端(10924)#网络(9390)#ai(8944)#数据库(8914)#c++(8182)#课程设计(6808)#学习(6788)#机器学习(6722)#区块链(5926)#OpenClaw(5390)#后端(5167)#spring boot(5017)#深度学习(4960)#c语言(4384)#毕业设计(4296)#数据结构(4206)#安全(4079)#docker(3936)#架构(3874)#javascript(3812)#大模型(3660)

    热门文章

    最新文章

    归档

    分类