Forschung
Semantisch beschriftete Automaten steigern Multi-Task RL mit LTL In einer neuen Studie wird ein innovatives Verfahren vorgestellt, das Multi‑Task‑Reinforcement‑Learning (RL) auf ein neues Niveau hebt. Dabei lernt ein Agent eine universelle Policy, die sich auf beliebige, auch noch nicht gesehene Aufgaben anpassen kann. Die Aufgaben werden dabei als lineare temporale Logik (LTL) – ein Standardwerkzeug aus der formalen Methoden‑Forschung – formuliert. Der Schlüssel zum Erfolg liegt in einer neuartigen Einbett
arXiv – cs.AI