本研究提出了一种基于对抗数据增强的离线强化学习模型MORAL，旨在解决静态数据下策略开发的稳健性问题。实验结果表明，MORAL在政策学习和样本效率方面优于传统方法，具有广泛的适用性。

本文介绍了一种名为对抗数据增强（A-DA）的新方法，通过将数据增强与对抗学习相结合，提升模型对声学变化的鲁棒性和泛化能力。实验证明A-DA方法在匹配和不匹配的测试条件下均优于标准数据增强方法。

本文提出了一种名为对抗数据增强（A-DA）的新方法，将数据增强与对抗学习相结合，通过额外的分类器对不同类型的增强进行分类，提升模型对于增强变化的鲁棒性和泛化能力。实验证明A-DA方法在匹配和不匹配的测试条件下均优于标准数据增强方法，展示了其对声学变化的鲁棒性和泛化能力。