面向高效多任务学习的基于模型的强化学习智能体知识迁移
机器学习
2025-07-04 v1 机器人学
摘要
我们提出了一种用于模型基强化学习的高效知识迁移方法，解决在资源受限环境中部署大型世界模型的挑战。我们的方法将3170万参数的高容量多任务智能体蒸馊到一个紧凑的100万参数模型，在MT30基准上实现最新成果，归一化得分为28.45，显著优于原始100万参数模型的得分18.93。这表明我们的蒸馊技术能够有效地整合复杂的多任务知识。此外，我们应用FP16后训练量化，将模型大小缩减50%，同时保持性能。我们的工作弥合了大型模型的强大功能与实际部署约束之间的差距，为在机器人等资源受限领域实现高效可及的多任务强化学习提供了可扩展解决方案。
引用
@article{arxiv.2501.05329,
title = {Knowledge Transfer in Model-Based Reinforcement Learning Agents for Efficient Multi-Task Learning},
author = {Dmytro Kuzmenko and Nadiya Shvai},
journal= {arXiv preprint arXiv:2501.05329},
year = {2025}
}
备注
Preprint of an extended abstract accepted to AAMAS 2025