SPGL: Selbstgesteuertes Gaussian Curriculum Learning steigert Effizienz von RL

Ein neues Verfahren namens Self‑Paced Gaussian Curriculum Learning (SPGL) verspricht, die Effizienz von Reinforcement‑Learning‑Algorithmen drastisch zu erhöhen. Im Gegensatz zu herkömmlichen selbstgesteuerten Curricula, die auf rechenintensiven inneren Optimierungen beruhen, nutzt SPGL eine geschlossene Update‑Regel für Gaußsche Kontextverteilungen. Dadurch entfällt die Notwendigkeit aufwändiger numerischer Verfahren, was die Skalierbarkeit in hochdimensionalen Kontexträumen erheblich verbessert.

Die Autoren zeigen theoretisch, dass SPGL konvergiert, und demonstrieren die Praxisnähe des Ansatzes an mehreren Benchmark‑Umgebungen. In den Tests – Point Mass, Lunar Lander und Ball Catching – übertrifft SPGL bestehende Curriculum‑Methoden, insbesondere in Szenarien mit versteckten Kontexten. Die Ergebnisse zeigen nicht nur eine höhere Sample‑Effizienz, sondern auch eine stabilere Konvergenz der Kontextverteilung.

SPGL bietet damit eine skalierbare, prinzipielle Alternative für die Generierung von Curricula in komplexen, kontinuierlichen und teilweise beobachtbaren Domänen. Durch die Kombination von theoretischer Sicherheit und praktischer Leistungssteigerung könnte das Verfahren die nächste Generation von RL‑Systemen maßgeblich beeinflussen.