یادگیری تقویتی (RL) در محیطهای چندوظیفهای که با ریسک بالا همراه هستند، همیشه چالشبرانگیز بوده است. محققان به تازگی مدل جدیدی به نام CDCP معرفی کردهاند که با ترکیب «مدلهای انتشار» (Diffusion Models) و «پرامپتهای زمینهای»، این معما را حل میکند.
این مدل جدید با تبدیل مسائل پیچیده به یک مسئله تولید شرطی، میتواند محدودیتهای ایمنی را بهخوبی مدیریت کرده و از رفتارهای ناخواسته یا خارج از توزیع (OOD) جلوگیری کند. نوآوری اصلی این روش در توانایی آن برای سازگاری با وظایف جدید و ناآشنا بدون تداخل در آموزش است.
یک قدم دیگر به سمت رباتها و سیستمهای خودکار ایمنتر و دقیقتر! 🤖💡
منبع: arXiv Machine Learning