我们提出了一种将新颖性检测引入世界模型强化学习代理中的直接边界方法，通过利用世界模型产生的虚拟状态与真实观察状态的不一致作为异常得分，有效探测并保护代理在新环境中的性能和可靠性。

Oct, 2023

本文旨在探索如何让自主智能系统在真实世界的环境中适应、解决并执行计划，针对其中出现的未知问题和新的情况需要进行建模和检测。

Jun, 2023

本文介绍了一种应对开放性场景中新颖性挑战的方法，该方法结合了逻辑表示和推理方法，利用通用方法和架构机制检测、表征新颖性，并构建相应的适应性模型进行应对。通过在多智能体博弈中的评估，结果表明所提出的方法在各种新颖性挑战下均表现出高准确率。

Feb, 2023

本文提出一种强化学习算法，通过自编码器将已发现策略的状态序列进行度量，以此产生新的策略，同时利用两个目标的策略梯度算法在策略更新中权衡任务奖励和新颖度奖励，最终得到一些解决特定任务和具有差异化行动序列的策略，并展示该方法在迷宫导航，机械臂和蹦跳机器人的运动任务以及对抗性任务中的有效性。

May, 2019

AI agents are leaving the lab and entering the real world, and the paper introduces NovelGym, a platform for benchmarking reinforcement learning and hybrid planning and learning agents in open-world contexts.

Jan, 2024

该研究提出了一种基于模型的强化学习方法，在该方法中，游戏状态和规则都是以知识图谱的形式表示，有助于检测游戏环境中的开放性创新，并进行智能重训练。

Jun, 2021

提出了 RAPid-Learn 算法：一种混合规划和学习的方法，能够在智能体环境中出现突然和意外的变化时，即时解决任务中的 Markov 决策过程修正问题，有效地应对多样的新颖性，并且更加高效、鲁棒、与符号规划方法和传统基于转移学习的强化学习方法相比更加具有优势。

Jun, 2022

本文研究了如何提高强化学习算法的适应性，通过引入一种名为 WorldCloner 的训练神经符号世界模型，从而实现快速的新颖性适应，并使用想象力来辅助适应后的策略，达到更高的效率。

Jan, 2023

在开放世界中，我们介绍了一个适应新颖性的规划领域模型的方法，通过检测行动执行的观察值和环境模型的预期值之间的差异来推断新颖性的存在，并通过启发式导向的模型改变搜索来修订模型。我们在标准的强化学习基准 CartPole 问题上进行实证评估，结果表明我们的方法可以快速且可解释地处理一类新颖性。

Mar, 2023

通过使用简洁而有效的新方法 NAPPING（Novelty Adaptation Principles Learning），我们的研究展示了深度强化学习（DRL）代理可以在各个领域快速有效地适应各种新情况。

Dec, 2023