GENTLE是一种新算法，用于解决有限数据条件下学习可推广任务表征的问题。它利用Task Auto-Encoder来捕捉任务模型的生成结构，并通过构造伪转换来缓解行为多样性有限的影响。实证结果表明，GENTLE方法在分布内和分布外任务上明显优于现有的离线元强化学习方法。

本文介绍了离线元强化学习（OMRL）中的任务表示学习问题，并提出了一种硬采样策略来学习任务上下文编码器。实验结果表明，该技术可以得到更强壮的任务表示和更好的测试性能。