从无奖励预训练到 Pareto 前沿：零样本多目标强化学习

基于摘要分析。本文研究多目标强化学习（MORL）中目标定义在训练后发生变化时，如何避免反复重训；提出将无奖励预训练与目标特定解集构建解耦的 late-binding 范式，利用单个 forward-backward（FB）智能体在推理阶段恢复不同目标权衡，无需重训或微调。 方法先在无奖励数据上训练 FB 智能体，再从其表征构建候选池；针对每个偏好向量，通过标量化 rollout 评估选择候选，随后评估所得策略，并保留非支配子集，形成经验 Pareto 前沿近似。这里的零样本不意味着完全无需评估交互：摘要明确包含推理阶段的 rollout 评估，但其交互预算、候选规模及计算成本尚未验证。摘要也未展开 FB 的具体训练目标与候选构建细节。 作者报告，在具有已知参考集或参考前沿的 Deep Sea Treasure 与 Fruit Tree Navigation 两个 MORL 基准中，单个预训练 FB 智能体可在多种环境变体和目标定义下恢复高质量的 Pareto 权衡，覆盖此前未见的布局及事后调整所选目标子集的情形。摘要未提供量化指标、具体对照结果或统计信息，因而尚不能判断前沿逼近质量、鲁棒性及相对重训方案的实际收益；实验协议、消融及统计信息尚未验证。 其直接研究对象是序贯决策与多目标决策支持，而非 EEG 表征学习或 BCI 解码。材料未给出面向神经信号的机制对应或验证结果，因此不将其表述为已验证的 BCI 方法；已有 EEG 相关工作尚未检索确认。复现时需核对无奖励数据的状态覆盖、目标变化的具体范围、未见布局的划分方式，以及推理阶段可使用的环境交互与奖励信息。