I am a B.Sc. Computer Science student at Iran University of Science and Technology (IUST), currently conducting 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 interpretability-aware optimization — jointly optimizing accuracy and explainability through a bi-objective training framework.

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.

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

من دانشجوی کارشناسی علوم کامپیوتر در دانشگاه علم و صنعت ایران هستم و در حال حاضر به‌عنوان کارآموز پژوهشی در پژوهشگاه دانش‌های بنیادی (IPM) تهران مشغول به فعالیت هستم. کار من در تلاقی یادگیری تقلیدی، یادگیری بازنمایی، و یادگیری پیوسته قرار دارد — با تمرکز ویژه بر محیط‌های با مشاهده‌ی جزئی، جایی که agent باید از اطلاعات محدود تصمیم بگیرد.

پژوهش من سه رشته دارد. رشته‌ی اول حذف گلوگاه‌های محاسباتی از خط لوله‌ی آموزش است — به‌تازگی با حذف Back-Propagation Through Time از بک‌بون ادراکی از طریق یک Future-Action Predictor، در حالی که یک Transformer aggregator با پنجره‌ی محدود روی آن نگه داشته شده. رشته‌ی دوم ترمیم رفتاری post-hoc است — تصحیح یک خطای مشخص و شناسایی‌شده در یک policy آموزش‌دیده، بدون آموزش از صفر، و با در نظر گرفتن صریح حالتی که مجموعه‌ی anchor مورد استفاده برای preservation خودش آلوده به همان خطاست. رشته‌ی سوم بهینه‌سازی آگاه از تفسیرپذیری است — بهینه‌سازی همزمان دقت و قابلیت توضیح از طریق یک چارچوب آموزش دو-هدفی.

در کنار تئوری، محیط‌هایی که تئوری روی آن‌ها اجرا می‌شود را هم می‌سازم. StrikeForce، یک بستر 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 پژوهش چندعامله باز می‌شود.

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