跳到正文
热点事件持续更新

GLiBRL 深度贝叶斯元强化学习框架论文被 NeurIPS 2026 接收

1 篇报道1 个报道来源2 小时前更新

先了解这件事

AI 综述

Jingyang You 与 Hanna Kurniawati 提出 GLiBRL,一个将广义线性任务模型与可学习非线性基函数结合的深度贝叶斯强化学习框架,通过共轭贝叶斯推断精确更新任务参数与模型噪声的后验,免除变分推断。该论文被 NeurIPS 2026 接收。 论文报告,在与八种代表性或近期的元强化学习方法对比中,GLiBRL 在 MuJoCo 运动控制和 MetaWorld 操作两类基准上取得最高的聚合零样本测试成绩。这一对比结果出自论文作者的自述,尚为论文报告而非独立复现的结论。

AI 根据报道生成 · 41 分钟前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月20日
  1. arXiv cs.AI
    GLiBRL:结合贝叶斯线性任务模型的深度元强化学习框架

    GLiBRL 是一个深度贝叶斯强化学习框架,将广义线性任务模型与可学习的非线性基函数结合,通过共轭贝叶斯推断实现任务参数与模型噪声的精确后验更新,免除变分推断。

本事件热度走势

还没有足够的连续观测数据,暂不绘制趋势。