強化学習

arXiv の新論文は、訓練中に見つけた高性能な回路設定を「灯台」として保存し、後続の探索のリセット地点に使う Lighthouse RL を提案している。狙いは、アナログ回路サイズ最適化における無駄な探索を減らすことだ。

arXiv の新論文は、垂直運動する倒立振子を安定化する強化学習問題に、リャプノフ特性指数を物理情報に基づく密な報酬として用いる方法を提案している。エージェントは Kapitza 振子として知られる振動安定化だけでなく、支点の揺れを減衰させて厳密な直立状態を実現したと報告されている。

arXiv に投稿された TRACE は、長いツール利用軌跡に対して密な報酬を与えるための信用割当手法だ。凍結した参照モデルを使い、最終回答の信号を各ツール呼び出しの報酬へ変換する。

arXiv に投稿された SIVA-RL は、画像介入の種類ではなく実際の報酬変化に基づいて視覚アライメントの監督信号を割り当てる手法です。視覚言語モデルが画像証拠に根ざして推論することを狙います。

DAGR は、目標条件付き強化学習における静的な目標埋め込みの弱点に着目する。OGBench のナビゲーションでは改善を示す一方、操作や puzzle 系タスクでは基盤手法を安定して上回るわけではない。