Robust and General Reinforcement Learning via AutoML

Reinforcement Learning (RL) ermöglicht Lernen durch Interaktion mit der Umgebung. Daher ist es ein Bestandteil von KI-Systemen für sequenzielle Entscheidungen, z. B. in der Robotik, in Naturwissenschaften wie Physik oder Medizin oder bei großen Sprachmodellen.

RL ist jedoch nicht nur leistungsfähig, sondern auch schwer anwendbar: Aktuelle Methoden sind tendenziell instabil, besitzen nur begrenzte Verallgemeinerungsfähigkeiten und ihr Erfolg hängt stark von ihren Designentscheidungen ab. In den letzten Jahren haben Methoden des automatisierten RL (AutoRL) an Zugkraft gewonnen, um durch systematische und datengesteuerte Ansätze eine bessere Leistung, Robustheit und Trainingseffizienz zu erreichen. Unser Ziel ist es, sowohl die Effizienz als auch die Robustheit von AutoRL zu verbessern, um eine breite Nutzung dieser Werkzeuge für RL-Anwender und Forscher gleichermaßen zu ermöglichen. AutoRL wird dazu beitragen, das RL-Training zu demokratisieren und damit neue Möglichkeiten in allen Bereichen der RL-Forschung und -Anwendungen zu eröffnen.