模仿学习是学习尝试模仿专家行为从而获取最佳性能的一系列任务。目前主流方法包括监督式模仿学习、随机混合迭代学习和数据聚合模拟学习等方法。模仿学习（Imitation Learning）背后的原理是是通过隐含地给学习器关于这个世界的先验信息，比如执行、学习人类行为。在模仿学习任务中，智能体（agent）为了学习到策略从而尽可能像人类专家那样执行一种行为，它会寻找一种最佳的方式来使用由该专家示范的训练集（输入-输出对）。当智能体学习人类行为时，虽然我们也需要使用模仿学习，但实时的行为模拟成本会非常高。与之相反，吴恩达提出的学徒学习（Apprenticeship learning）执行的是存粹的贪婪/利用（exploitative）策略，并使用强化学习方法遍历所有的（状态和行为）轨迹（trajectories）来学习近优化策略。它需要极难的计略（maneuvers），而且几乎不可能从未观察到的状态还原。模仿学习能够处理这些未探索到的状态，所以可为自动驾驶这样的许多任务提供更可靠的通用框架。
Arxiv
0+阅读 · 2025年12月29日
Arxiv
0+阅读 · 2025年12月28日
Arxiv
0+阅读 · 2025年12月19日
Arxiv
0+阅读 · 2025年12月21日
Arxiv
0+阅读 · 2025年12月19日
Arxiv
0+阅读 · 2025年12月19日
Arxiv
0+阅读 · 2025年11月29日
Arxiv
0+阅读 · 2025年12月15日
Arxiv
0+阅读 · 2025年11月22日
微信扫码咨询专知VIP会员