SCRIM：量化模仿学习状态关键性
热点事件持续更新
SCRIM：量化模仿学习状态关键性
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
Yusuf Umut Ciftci 等作者提出 SCRIM，一种模仿学习中的状态关键性度量：围绕固定的模仿策略训练对抗扰动策略和价值评论家，估计专家动作小幅扰动导致的下游价值最坏退化，为每条示教状态打分。作者称，这些分数可用于重加权行为克隆损失，改善关键状态处的模仿并提升整体任务表现；也可筛选紧凑的高价值示教子集，在保持性能的同时大幅减少训练数据量。 作者在多种仿真与真实机器人操作任务上评估了该方法，论文被 CoRL 2026 接收。上述效果均为作者报告。
AI 根据报道生成 · 3 小时前更新
最新进展10月28日 12:00
SCRIM：量化模仿学习中的状态关键性报道时间线
沿着报道，了解事件的不同侧面。
10月28日
- arXiv cs.ROSCRIM：量化模仿学习中的状态关键性
作者提出 SCRIM，一种状态关键性度量，用对抗扰动策略和价值评论家估计专家动作小幅扰动导致的下游价值最坏退化，为每条示教状态打分。这些分数可用于重加权行为克隆损失，也可筛选紧凑的高价值示教子集，在保持性能的同时减少训练数据量。方法在多种仿真与真实机器人操作任务上评估，论文被 CoRL 2026 接收。
本事件热度走势
- 可比范围当前
- 9
- 可比范围峰值
- 1010月28日 13:00
- 近 24 小时变化
- –
02.557.510
13:0014:0015:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。