Компьютерные науки > Машинное обучение [представлено 15 сентября 2026 года] Название: ReVERSAL-BENCH: A reversentability Axis and Set Oracle for Measuring the Reset-RL Cliff View PDF HTML (экспериментальное) резюме: центральной целью автономного обучения в целях усиления является непрерывное стратегическое обучение без внешнего перезапуска. Однако существующие парадигмы в значительной степени зависят от лежащей в основе экологической обратимости - свойства, отсутствующего при манипуляциях с реальным миром, где такие события, как выталкивание объектов со столов или разлив гранулированных веществ, не могут быть устранены. Мы введем систему REVERSAL-BENCH, которая контролирует обратимость с помощью непрерывного параметра $rho \in [0] 1 долл. и обеспечивает перезагрузку оракула - механизм проверки наземной правды для испытания состояния восстановления во всех восьми режимах махинаций в пяти физических двигателях. Оценка широкого спектра политических архитектур, включая стандартные алгоритмы актера-критики, безопасные RL и специализированные системы без установки, показывает острый обрыв обратимости: реактивы, свободные от возведения, последовательно поглощаются в невосстановимые состояния с увеличением доллара США, тогда как эпизодические агенты поддерживают устойчивое обучение. Мы видим этот режим отказа через автономные изолирующие исходные линии и ограничения RL. Поскольку у реактивных агентов нет внешних перезагрузок, любой переход в неотчуждаемое состояние приводит к…
Ось и перезапуск оракула для измерения свободного RL клиффа
arXiv: 2609.17745v1 Annuales Type: New Humber Brieflow: Главная цель автономного обучения в целях усиления - непрерывная подготовка по вопросам политики без внешних перестановок. Однако существующие парадигмы в значительной степени зависят от лежащей в основе экологической обратимости - свойства, отсутствующего при манипуляциях с реальным миром, где такие события, как выталкивание объектов со столов или разлив гранулированных веществ, не могут быть устранены. Мы введем систему REVERSAL-BENCH, которая контролирует обратимость с помощью непрерывного параметра $rho \in [0] 1 долл. и обеспечивает перезагрузку оракула - механизм проверки наземной правды для испытания состояния восстановления во всех восьми режимах махинаций в пяти физических двигателях. Оценка широкого спектра политических архитектур, включая стандартные алгоритмы актера-критики, безопасные RL и специализированные системы без установки, показывает острый обрыв обратимости: реактивы, свободные от возведения, последовательно поглощаются в невосстановимые состояния с увеличением доллара США, тогда как эпизодические агенты поддерживают устойчивое обучение. Мы видим этот провал