Объектно-центричные модели представляют изображение в виде набора векторов, описывающих размещенные на сцене объекты. Такое представление изображения позволяет в явном виде моделировать взаимодействие объектов между собой, что в том числе улучшает сходимость алгоритмов обучения агентов, действующих с этими объектами в среде. Недостатком использования таких моделей в задачах обучения с подкреплением является фиксация параметров этих моделей, что может приводить к проблемам, вызванным сменой распределения, на которых такие модели обучались. В данной работе представлен алгоритм дообучения объектно-центричных моделей с помощью разбиения процедуры обучения на фазу дообучения модели и на фазу обучения стратегии. Эксперименты подтверждают эффективность такого подхода в искусственных средах. В сценариях, приближенных к реальности, использование алгоритма целесообразно, однако его производительность зависит от выбранной модели.
Math-Net.Ru: https://www.mathnet.ru/rus/iipr673
Васильев Д. В., Панов А. И. Формирование объектно-центричных представлений для задач обучения с подкреплением // Искусственный интеллект и принятие решений, 2026, выпуск 2, с. 93–106.