面向强化学习的离线多任务表征学习
机器学习
2024-11-01 v2
摘要
我们研究强化学习（RL）中的离线多任务表征学习，其中学习者被提供一个来自共享共同表征的不同任务的离线数据集，并被要求学习该共享表征。我们从理论上研究了离线多任务低秩 RL，并提出了一种称为 MORL 的新算法用于离线多任务表征学习。此外，我们考察了在无奖励、离线和在线场景中的下游 RL，其中向智能体引入一个与上游离线任务共享相同表征的新任务。我们的理论结果证明了使用从上游离线任务学到的表征而非直接学习低秩模型表征的益处。
引用
@article{arxiv.2403.11574,
title = {Offline Multitask Representation Learning for Reinforcement Learning},
author = {Haque Ishfaq and Thanh Nguyen-Tang and Songtao Feng and Raman Arora and Mengdi Wang and Ming Yin and Doina Precup},
journal= {arXiv preprint arXiv:2403.11574},
year = {2024}
}
备注
Accepted to 38th Conference on Neural Information Processing Systems (NeurIPS 2024)