标签
本文介绍了AdaPrefix-GRPO，一种在GRPO训练期间自适应控制提供给模型的正确解决方案前缀长度的方法，保持50%的成功率以最大化梯度信号。它在显著提高困难数学推理问题准确率的同时降低了计算成本。
本文提出了一种用于噪声物联网环境中自适应交通信号控制的主动推理控制器，在传感器遮挡和恶劣天气条件下，空闲时间和CO2排放均优于DQN。
提出CPSS，一种运行时安全机制，将累积成本约束转换为自适应状态级阈值，用于非平稳环境中的安全强化学习，在高速公路合流场景中展示了违规次数的减少。
本文介绍了 ACSAC，一种强化学习方法，它使用带有因果 Transformer Q 网络的自适应 Chunk Size Actor-Critic 算法来处理长期限、稀疏奖励任务。通过根据状态需求动态调整动作 Chunk Size，该方法在操控任务中展示了最先进的性能。
本文提出了一种利用时序自注意力进行元控制的架构，旨在对具有不可观测记忆状态的欧拉-拉格朗日系统进行自适应控制。在2自由度机械臂上的实验表明，该方法在追踪性能上优于基线方法，同时揭示了在长记忆机制下的失效模式。