JEPA-PS:基于JEPA的可迁移黑盒优化器
热点事件持续更新
JEPA-PS:基于JEPA的可迁移黑盒优化器
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
Mayukh Debnath 与 Manan Roy Choudhury 提出 JEPA-PS(JEPA Policy Search),一种基于 Joint-Embedding Predictive Architecture 的黑盒优化方法。 该方法在随机 rollout 上用参数向量和标量回报进行与奖励无关的预训练,其潜空间预测目标是优化轨迹的下一个点,而非奖励或梯度,作者称这使其能学习并理解黑盒优化过程。
AI 根据报道生成 · 58 分钟前更新
最新进展11月20日 13:00
JEPA-PS:基于奖励无关预训练的可迁移优化器,学习并理解黑盒优化报道时间线
沿着报道,了解事件的不同侧面。
11月20日
- arXiv cs.AIJEPA-PS:基于奖励无关预训练的可迁移优化器,学习并理解黑盒优化
研究者提出 JEPA-PS(JEPA Policy Search),基于 Joint-Embedding Predictive Architecture,用参数向量和标量回报在随机 rollout 上预训练,潜空间预测目标是优化轨迹的下一个点而非奖励或梯度。
本事件热度走势
还没有足够的连续观测数据,暂不绘制趋势。