★ 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
#奖励塑形
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 2
选择性奖励激励改进离线目标条件强化学习
针对离线目标条件强化学习中稀疏奖励与长时程依赖的难题，论文从奖励传播角度分析目标导向价值分离易被局部估计误差淹没。提出 RSIQL 方法，在轨迹中判定为「有进展」的中间状态施加额外奖励信号，提供延迟更低的训练监督。在 D4RL 与 OGBench 基准上优于目标条件 IQL，并与分层方法性能相当，…
arXiv cs.LG45 天前