深度分析
以 SHAP 分析強化學習配置對 Sim2Real 泛化影響
本文提出以 SHAP（Shapley 解釋值）為核心的框架，量化強化學習（RL）中演算法與超參數對跨物理引擎泛化差距的貢獻。透過大量配置抽樣與雙向 MuJoCo↔PyBullet 遷移實驗，作者建立理論基礎，解析不同演算法與參數的影響模式，並以 SHAP 導向選取更健壯的設定來降低泛化差距。
深度分析
本文提出以 SHAP（Shapley 解釋值）為核心的框架，量化強化學習（RL）中演算法與超參數對跨物理引擎泛化差距的貢獻。透過大量配置抽樣與雙向 MuJoCo↔PyBullet 遷移實驗，作者建立理論基礎，解析不同演算法與參數的影響模式，並以 SHAP 導向選取更健壯的設定來降低泛化差距。
擴散模型
面對真實人像影片資料稀缺，研究採用擴散模型結合程式化合成影片進行擴充訓練。方法提供細緻的外觀與動作控制，並在訓練中分析合成與實際資料的互補性。結果顯示適當選取的合成樣本可提升動作真實性與時間一致性。研究為在保護隱私與規模化資料需求下，將合成資料作為可行補助路徑提出實務見解。