★ 2
IncentRL：偏好引导与任务表现的权衡
论文提出 IncentRL 框架，在强化学习奖励中加入偏好分布与目标分布间的 KL 惩罚，同时刻画其对原始任务表现的影响。作者对有限折扣 MDP 推导外部价值扰动界、保持原最优策略的严格动作间隔条件，并刻画大权重情形。MiniGrid DoorKey-8x8 上三随机种子平均成功率由基线 90.5…
arXiv cs.LG42 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文提出 IncentRL 框架，在强化学习奖励中加入偏好分布与目标分布间的 KL 惩罚，同时刻画其对原始任务表现的影响。作者对有限折扣 MDP 推导外部价值扰动界、保持原最优策略的严格动作间隔条件，并刻画大权重情形。MiniGrid DoorKey-8x8 上三随机种子平均成功率由基线 90.5…