Newest papers

METTA: Memory-Enhanced Test-Time Adaptation for Meta-Reinforcement Learning

Ali Najar, Hosein Hasani, Amir Kooshan Fattah, Yasamin Rajabi, Mahdieh Soleymani Baghshah · 2026 · arXiv

DOI: 10.48550/arXiv.2610.31656 · open-access PDF

Spanish

El aprendizaje de meta-reforzamiento tiene como objetivo capacitar a agentes que se adapten rápidamente a tareas invisibles a partir de la interacción limitada, pero esto requiere la representación de evidencia de tareas a través de historias de interacción largas. Los agentes recurrentes clásicos comprimen la experiencia en estados ocultos, mientras que los agentes basados en transformadores recuperan de las trayectorias pasadas a un coste de memoria cuadrática y computación. En este trabajo, proponemos la Adaptación de Teste-Tempo Mejorado de Memoria (METTA) para el aprendizaje de meta-reforzamiento. Descompone la fase de adaptación rápida en dos escalas temporales: una memoria neural causal realiza la adaptación de episodios finos.

Machine translation (Meta M2M100); the English original follows.

Abstract

Meta-reinforcement learning aims to train agents that adapt quickly to unseen tasks from limited interaction, but this requires representing task evidence over long interaction histories. Classical recurrent agents compress experience into hidden states, while transformer-based agents retrieve from past trajectories at quadratic memory and computation cost. In this work, we propose Memory-Enhanced Test-Time Adaptation (METTA) for meta-reinforcement learning. It decomposes the fast adaptation phase into two temporal scales: a causal neural memory performs fine-grained within-episode adaptation

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange