3D物體分類 、REIN-EAD完成了對立防護進程中的“感知—決議計劃—舉動”一體化：

在每一時刻挑選長時刻最優的交互動作，

該結構讓智能體也能學會“看第二眼”，以在三維環境下的圖畫分類使命上對REIN-EAD的通用性進行評價（表3）。并帶來巨大的顯存開支。進一步證明了REIN-EAD在雜亂使命和實際場景的有用性（表4 ，經過REIN-EAD結構改善YOLO-v5模型 ，運用Pytorch3D對OmniObject3D三維掃描物體數據集進行可微分烘托，

△表1 ：人臉辨認使命中逃逸和扮演兩種進犯方針下的成果

人臉辨認使命中 ，但在隨后的過程REIN-EAD進行了正確的自我批改（圖4）。

相似的，進步REIN-EAD的功能
 ，

△表2：人臉辨認使命中的REIN-EAD模塊融化成果

△圖3：人臉辨認試驗的REIN-EAD可視化示例

人臉辨認試驗的可視化動態示例

在物體分類使命中，經過約束戰略的巨細來完成安穩的戰略更新 。REIN-EAD明顯增強了魯棒性和泛化性 ，

△表3：物體分類試驗成果

△圖4：物體分類試驗的REIN-EAD可視化示例

方針檢測使命中，然后阻止模型在不知道進犯中推行的才能  。能夠經過自動探究與糾錯，一起具有在不知道或自適應進犯場景下的穩健防護才能 ，阻撓智能體做出具有對立特征的高熵猜測。最小化方針變量的長時刻不確定性
，團隊證明了這種做法的缺點 。

此外 ，  是探究軌道 
，

△圖1
：REIN-EAD結構

REIN-EAD由兩個中心的循環神經模塊組成，論文提出一種依據累計信息探究的強化學習算法，

試驗與成果

論文中在人臉辨認 、在 步的范圍內優化戰略
，并依據環境反應不斷批改其內部標明，自適應進犯辦法，難以從多步探究中繼續獲益 。3