以有限資料學習模型型基強化學習的輕量級對抗性

本研究提出了一種新的對抗性學習框架LiRA,在學習過程中適度提高模型的魯棒性,同時避免過度保守的控制性能。LiRA通過變分推論重新定義了對抗性學習,並將輕量級魯棒性作為約束條件整合其中,自動調節對抗性的強度,平衡魯棒性和保守性。