通过SHAP分析强化学习在机器人中的通用性

Lingxiao Kong; Cong Yang; Oya Deniz Beyan; Zeyd Boukhers

通过SHAP分析强化学习在机器人中的通用性

机器学习 2026-05-05 v1 人工智能机器人学

作者: Lingxiao Kong , Cong Yang , Oya Deniz Beyan , Zeyd Boukhers

摘要

尽管强化学习(Reinforcement Learning, RL)取得了显著进展，但模型性能高度依赖于算法和超参数配置，同时跨环境的泛化差距使实际部署复杂化。尽管已有研究探讨了RL泛化，但特定配置对泛化差距的相对贡献尚未被量化分解并系统性地用于配置选择。在本文中，我们提出了一种基于SHAP(Shapley Additive exPlanations)分析的可解释框架，用于评估强化学习在机器人环境中的性能。我们建立了将Shapley值与泛化性联系的理论基础，实证分析了配置影响模式，引入基于SHAP的配置选择以增强泛化性。我们的结果揭示了算法和超参数之间存在不同模式，并且在 diverse 任务和环境中保持一致的配置影响。通过对这些见解进行配置选择，我们实现了改进的RL泛化性，并为实践者提供了可操作的指导。

关键词

强化学习泛化 SHAP分析超参数调优机器人

引用

@article{arxiv.2605.02867,
  title  = {Enhancing RL Generalizability in Robotics through SHAP Analysis of Algorithms and Hyperparameters},
  author = {Lingxiao Kong and Cong Yang and Oya Deniz Beyan and Zeyd Boukhers},
  journal= {arXiv preprint arXiv:2605.02867},
  year   = {2026}
}

备注

15 pages, 7 figures, accepted by ICPR 2026

通过SHAP分析强化学习在机器人中的通用性

摘要

关键词

引用

备注

相关论文