arXiv · cs.AI· Purab Seth, Neil Shah, Ishaan Sinha, Kunal Jha, Samuel J. Gershman, Max Kleiman-Weiner, Wilka Carvalho·· 1 天前
Banyan 持续强化学习研究：任务多样性促进迁移但抑制持续适应
Task diversity produces systematic transfer but inhibits continual reinforcement learning
arXiv:2606.00880v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Purab Seth, Neil Shah, Ishaan Sinha, Kunal Jha, Samuel J. Gershman, Max Kleiman-Weiner, Wilka Carvalho
研究任务与主要进展
Purab Seth 等提出 GPU 加速的持续强化学习实验域 Banyan，用于独立控制任务中的地图布局、交互对象和子目标依赖层级结构。实验发现，任务多样性增强可使智能体在新任务训练初期接近上一任务分布的性能，但多样性过高会抑制其继续适应新任务，多样性继续增加时新任务成功率趋于平台期。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org