用L0正则化让深度强化学习模型更简洁，用于控制参数化偏微分方程。

Sparsifying Parametric Models with L0 Regularization

• 结合字典学习，用L0正则化训练稀疏多项式策略
• 在参数化偏微分方程控制任务中实现高稀疏度与良好性能
• 适合关注模型压缩与可解释性的强化学习研究者

本文介绍使用L0正则化对参数化模型进行稀疏化的教育性入门。结合字典学习，该方法用于在深度强化学习中学习稀疏多项式策略，以控制参数化偏微分方程。通过L0正则化，模型能够自动选择关键特征，显著减少参数量，提升可解释性与计算效率。实验表明，该方法在多个参数化系统控制任务中表现优异，同时保持高稀疏度（如90%以上参数被置零）。代码与教程已开源：https://github.com/nicob15/Sparsifying-Parametric-Models-with-L0。

原文摘要 · Abstract (English)

This document contains an educational introduction to the problem of sparsifying parametric models with L0 regularization. We utilize this approach together with dictionary learning to learn sparse polynomial policies for deep reinforcement learning to control parametric partial differential equations. The code and a tutorial are provided here: https://github.com/nicob15/Sparsifying-Parametric-Models-with-L0.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。