論文の概要: Principled Fast and Meta Knowledge Learners for Continual Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2603.00903v1
• Date: Sun, 01 Mar 2026 03:49:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.404381
• Title: Principled Fast and Meta Knowledge Learners for Continual Reinforcement Learning
• Title（参考訳）: 継続的強化学習のための原理的高速・メタ知識学習者
• Authors: Ke Sun, Hongming Zhang, Jun Jin, Chao Gao, Xi Chen, Wulong Liu, Linglong Kong,
• Abstract要約: 本稿では,連続的強化学習(RL)問題に対処する,高速学習者とメタ学習者からなるデュアルラーナーフレームワークを提案する。 これらの2人の学習者は、異なるが相補的な役割を果たすために結合される: 高速学習者は、知識の伝達に焦点を当て、メタ学習者は、知識の統合を保証する。
• 参考スコア（独自算出の注目度）: 39.70127895481068
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inspired by the human learning and memory system, particularly the interplay between the hippocampus and cerebral cortex, this study proposes a dual-learner framework comprising a fast learner and a meta learner to address continual Reinforcement Learning~(RL) problems. These two learners are coupled to perform distinct yet complementary roles: the fast learner focuses on knowledge transfer, while the meta learner ensures knowledge integration. In contrast to traditional multi-task RL approaches that share knowledge through average return maximization, our meta learner incrementally integrates new experiences by explicitly minimizing catastrophic forgetting, thereby supporting efficient cumulative knowledge transfer for the fast learner. To facilitate rapid adaptation in new environments, we introduce an adaptive meta warm-up mechanism that selectively harnesses past knowledge. We conduct experiments in various pixel-based and continuous control benchmarks, revealing the superior performance of continual learning for our proposed dual-learner approach relative to baseline methods. The code is released in https://github.com/datake/FAME.
• Abstract（参考訳）: 人間の学習・記憶システム,特に海馬と大脳皮質の相互作用に触発された本研究では,高速学習者とメタ学習者から構成され,連続的強化学習(RL)問題に対処するデュアルラーナーフレームワークを提案する。 これらの2人の学習者は、異なるが相補的な役割を果たすために結合される: 高速学習者は、知識の伝達に焦点を当て、メタ学習者は、知識の統合を保証する。 平均回帰最大化を通じて知識を共有する従来のマルチタスクRLアプローチとは対照的に、メタ学習者は、破滅的な忘れを明示的に最小化することで、新たな体験を段階的に統合し、高速学習者のための効率的な累積的知識伝達を支援する。 新しい環境における迅速な適応を容易にするため,過去の知識を選択的に活用する適応型メタウォームアップ機構を導入する。 我々は,様々な画素ベースおよび連続制御ベンチマークで実験を行い,ベースライン手法と比較して,提案したデュアルラーナー手法に対して連続学習の優れた性能を示す。 コードはhttps://github.com/datake/FAME.comで公開されている。

関連論文リスト

• Continual Knowledge Adaptation for Reinforcement Learning [37.4253231932861]
  強化学習により、エージェントは環境との相互作用を通じて最適な行動を学ぶことができる。 歴史的知識の蓄積と有効活用を可能にする強化学習のための継続的知識適応(CKA-RL)を提案する。 3つのベンチマーク実験により、提案したCKA-RLは最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-22T07:25:41Z)
• How Do LLMs Acquire New Knowledge? A Knowledge Circuits Perspective on Continual Pre-Training [92.88889953768455]
  大きな言語モデル(LLM)は、どのようにして新しい知識を内部化するかを理解する上で、重大なギャップに直面します。 知識記憶と処理を容易にする計算サブグラフを同定する。
  論文  参考訳（メタデータ） (2025-02-16T16:55:43Z)
• Multi-Stage Knowledge Integration of Vision-Language Models for Continual Learning [79.46570165281084]
  蒸留法における人間の学習過程をエミュレートするマルチステージ知識統合ネットワーク(MulKI)を提案する。 Mulkiは、イデオロギーの排除、新しいイデオロギーの追加、イデオロギーの排除、コネクティクスの作りという4つの段階を通じてこれを達成している。 提案手法は,下流タスク間の連続学習をサポートしながら,ゼロショット能力の維持における大幅な改善を示す。
  論文  参考訳（メタデータ） (2024-11-11T07:36:19Z)
• Towards Automated Knowledge Integration From Human-Interpretable Representations [55.2480439325792]
  我々は,情報メタ学習の原理を理論的に導入・動機付けし,自動的かつ制御可能な帰納バイアス選択を可能にする。 データ効率と一般化を改善するための情報メタラーニングのメリットと限界を実証的に示す。
  論文  参考訳（メタデータ） (2024-02-25T15:08:37Z)
• Anti-Retroactive Interference for Lifelong Learning [65.50683752919089]
  我々は脳のメタラーニングと連想機構に基づく生涯学習のパラダイムを設計する。 知識の抽出と知識の記憶という2つの側面から問題に取り組む。 提案した学習パラダイムが,異なるタスクのモデルを同じ最適に収束させることができることを理論的に分析した。
  論文  参考訳（メタデータ） (2022-08-27T09:27:36Z)
• Learning Fast, Learning Slow: A General Continual Learning Method based on Complementary Learning System [13.041607703862724]
  本稿では,新しいデュアルメモリエクスペリエンス再生(ER)法であるCLS-ERを提案する。 決定境界を意味記憶と整合させながら、新たな知識を得る。 提案手法は,標準ベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-01-29T15:15:23Z)
• Mixture-of-Variational-Experts for Continual Learning [0.0]
  学習と忘れのトレードオフを促進する最適原理を提案する。 我々はMixture-of-Variational-Experts (MoVE)と呼ばれる連続学習のためのニューラルネットワーク層を提案する。 MNISTおよびCIFAR10データセットの変種に関する実験は、MoVE層の競合性能を示す。
  論文  参考訳（メタデータ） (2021-10-25T06:32:06Z)
• Meta Learning for Knowledge Distillation [12.716258111815312]
  教師ネットワークは、学生ネットワークにより良い知識を伝達することを学ぶことができることを示す。 内部学習者とメタ学習者の整合性を改善するためのパイロット更新機構を導入する。
  論文  参考訳（メタデータ） (2021-06-08T17:59:03Z)
• Meta-learning the Learning Trends Shared Across Tasks [123.10294801296926]
  グラディエントベースのメタ学習アルゴリズムは、限られたデータで新しいタスクに素早く適応する。 既存のメタ学習アプローチは、適応中の現在のタスク情報にのみ依存する。 パターン認識型メタラーニング手法を提案する。
  論文  参考訳（メタデータ） (2020-10-19T08:06:47Z)
• Bilevel Continual Learning [76.50127663309604]
  BCL(Bilevel Continual Learning)という,継続的学習の新たな枠組みを提案する。 連続学習ベンチマーク実験では,多くの最先端手法と比較して,提案したBCLの有効性が示された。
  論文  参考訳（メタデータ） (2020-07-30T16:00:23Z)
• KoGuN: Accelerating Deep Reinforcement Learning via Integrating Human Suboptimal Knowledge [40.343858932413376]
  我々は,人間の事前最適知識と強化学習を組み合わせた新しい枠組みである知識誘導政策ネットワーク(KoGuN)を提案する。 我々のフレームワークは、人間の知識を表すファジィルールコントローラと、微調整されたサブ最適事前知識を表す洗練されたモジュールで構成されている。
  論文  参考訳（メタデータ） (2020-02-18T07:58:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。