I am a B.Sc. Computer Science student at Iran University of Science and Technology (IUST). I have also conducted research as an intern at the Institute for Research in Fundamental Sciences (IPM) in Tehran. My work sits at the intersection of imitation learning, representation learning, and continual learning — with a particular focus on partially observable environments where the agent must make decisions from limited information.

My research follows three threads. The first is removing computational bottlenecks from training pipelines — most recently by eliminating back-propagation through time from the perception backbone via a Future-Action Predictor, while keeping a bounded-window Transformer aggregator on top. The second is post-hoc behavioral repair — correcting a specific, identified failure in a trained policy without retraining from scratch, and explicitly accounting for the case where the anchor set used for preservation is itself contaminated with the failure. The third is efficient inter-agent communication in MARL — via future gradient injection, I have developed an architecture capable of assigning credit to action in T-t from reward in T without expanding the computational graph throughout the time.

Alongside the theory, I build the environments the theory runs on. StrikeForce, a partially observable 2D battle-arena testbed, is the environment behind my recent learning-related papers, and is now opening to a broader research community through a public competition.

In addition, I have also authored a paper regarding Interpretable Machine Learning, which has been presented in i4c.iust.ac.ir (a conference at IUST).

Research interests: Imitation Learning · Reinforcement Learning · POMDPs · Representation Learning · Continual Learning · Model Repair · Efficient Training · Multi-Agent Systems · Interpretable Machine Learning

من دانشجوی کارشناسی علوم کامپیوتر در دانشگاه علم و صنعت ایران (IUST) هستم. همچنین به‌عنوان کارآموز در پژوهشگاه دانش‌های بنیادی (IPM) در تهران به انجام پژوهش پرداخته‌ام. کار من در تلاقی یادگیری تقلیدی، یادگیری بازنمایی، و یادگیری پیوسته قرار دارد — با تمرکز ویژه بر محیط‌های با مشاهده‌ی جزئی که در آن‌ها عامل باید از اطلاعات محدود تصمیم بگیرد.

پژوهش من سه رشته را دنبال می‌کند. رشته‌ی اول حذف گلوگاه‌های محاسباتی از خط لوله‌ی آموزش است — به‌تازگی با حذف انتشار رو به عقب در زمان (Back-Propagation Through Time) از بک‌بون ادراکی از طریق یک پیش‌بین اقدام آینده (Future-Action Predictor)، در حالی که یک تجمیع‌کننده‌ی Transformer با پنجره‌ی محدود بر روی آن حفظ می‌شود. رشته‌ی دوم ترمیم رفتاری پس‌رویدادی (post-hoc) است — تصحیح یک خطای مشخص و شناسایی‌شده در یک سیاست آموزش‌دیده بدون آموزش مجدد از صفر، و با در نظر گرفتن صریح حالتی که مجموعه‌ی لنگر (anchor) مورد استفاده برای حفظ، خودش آلوده به همان خطاست. رشته‌ی سوم ارتباط کارآمد بین عامل‌ها در یادگیری تقویتی چندعامله (MARL) است — از طریق تزریق گرادیان آینده، معماری‌ای توسعه داده‌ام که قادر است اعتبار را به اقدام در T-t از پاداش در T اختصاص دهد بدون اینکه گراف محاسباتی را در طول زمان گسترش دهد.

در کنار تئوری، محیط‌هایی که تئوری روی آن‌ها اجرا می‌شود را نیز می‌سازم. StrikeForce، یک بستر آزمایشی نبرد دوبعدی با مشاهده‌ی جزئی، محیطی است که پشت مقالات اخیر من در حوزه‌ی یادگیری قرار دارد، و اکنون از طریق یک مسابقه‌ی عمومی به روی جامعه‌ی گسترده‌تر پژوهشی باز می‌شود.

علاوه بر این، مقاله‌ای نیز در زمینه‌ی یادگیری ماشین تفسیرپذیر نوشته‌ام که در i4c.iust.ac.ir (یک کنفرانس در دانشگاه علم و صنعت) ارائه شده است.

علایق پژوهشی: یادگیری تقلیدی · یادگیری تقویتی · POMDP · یادگیری بازنمایی · یادگیری پیوسته · ترمیم مدل · آموزش کارآمد · سیستم‌های چندعامله · یادگیری ماشین تفسیرپذیر