面向高效多目标强化学习的可解释设计
人工智能
2026-02-06 v2 机器学习
摘要
多目标强化学习（MORL）旨在优化多个常存在冲突目标，以提高强化学习在实际任务中的灵活性和可靠性。这通常通过寻找一组多样化且非支配的策略，以形成性能空间中的帕累托前沿来实现。我们引入了 LLE-MORL 方法，通过基于参数空间与性能空间之间局部关系的训练方案实现可解释性。利用参数空间与性能空间之间的局部线性映射，我们的方法可将策略参数解释为对目标的贡献，这种结构化表示使我们能够在连续解域内高效搜索，从而无需 extensive 再训练即可快速生成高质量解。跨越 diverse 连续控制域的实验表明，LLE-MORL 在帕累托前沿质量和效率方面均优于最先进的方法。
引用
@article{arxiv.2506.04022,
title = {Interpretability by Design for Efficient Multi-Objective Reinforcement Learning},
author = {Qiyue Xia and Tianwei Wang and J. Michael Herrmann},
journal= {arXiv preprint arXiv:2506.04022},
year = {2026}
}