Multi-Task-Lernen
Multi-Task-Lernen trainiert eine einzelne Kontrollpolitik auf Demonstrationen aus mehreren unterschiedlichen Aufgaben gleichzeitig, mit der Erwartung, dass gemeinsame Repräsentationen, die über Aufgaben hinweg gelernt werden, die Leistung bei jeder einzelnen Aufgabe verbessern und die Verallgemeinerung auf neue Aufgaben ermöglichen. In der Robotik bedeutet dies oft das Training auf Hunderten von Aufgaben mit unterschiedlichen Objekten, Zielen und Umgebungen. Die Hauptherausforderung besteht darin, die Gradienten-Beiträge verschiedener Aufgaben auszugleichen (Gradienten-Interferenz) und sicherzustellen, dass die Kontrollpolitik zur Inferenzzeit zwischen Aufgaben unterscheiden kann — typischerweise durch Sprachkonditionierung oder One-Hot-Task-Identifikatoren. Multi-Task-Kontrollpolitiken sind eine Voraussetzung für universelle Roboter-Assistenten. Siehe dies in der Praxis: unsere realen Evaluierungen →