Apurba Bose

収録論文 1本 ・ フィジカルAI/ロボット学習

※arXiv著者名で収集。同姓同名の別人の論文が含まれる場合があります。

論文

• プランナーにおけるグッドハート:サンプリングベース制御は人間選好から学習した報酬を悪用する
  強化学習/報酬モデリング2026/11/6

  人間の選好から学習した報酬モデルに対するMPPIやbest-of-N探索が、真の目的関数を最大76%悪化させることを実証し、スコアラ誤差に基づく温度設定のχ²正則化MPPIが最悪ケースで最適であることを証明した論文。