★ 3
LASER：潜空间伴随匹配的离线强化学习
论文提出LASER，一种离线强化学习算法，通过潜空间伴随匹配实现熵正则化的潜空间RL，避免时间反向传播。在40个OGBench任务上，LASER使用固定超参数即达到最优性能，超越需任务与数据集特定调优的基线方法。
arXiv cs.LG25 天前
#离线强化学习
共 8 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 3
Q-Target 预训练 Transformer 实现可证明的上下文强化学习
论文提出 Q-Target Pretrained Transformers（QTPT），保留上下文条件 Transformer 架构但以贝尔曼式 Q 目标替代行为克隆，使模型利用上下文中的奖励与转移估计动作价值而非模仿行为策略。理论分析表明其在随机线性老虎机与有限时域 MDP 中对数据质量的鲁棒性…
arXiv cs.LG35 天前
★ 3
机器人操作策略从混合质量部署经验中学习
论文针对机器人策略部署后积累的混合质量经验（成功、部分进展、失败），提出预测式动作块学习（PACL）。PACL 学习块级预测评论家，将 Q 值转为离散质量条件，引导扩散演员从混合质量经验中联合学习。在仿真与真实机器人操作任务上持续优于模仿学习和离线强化学习基线。
arXiv cs.LG38 天前
★ 3
OneBid：统一自动出价基础模型
快手提出 OneBid，将多种 oCPX 广告场景统一到一个自动出价基础模型中，从异构日志学习可复用骨干网络，再通过离线后训练适配具体场景。模型基于 Decision Transformer，扩展出转化价值与成本比双信号条件，并采用序列级混合专家架构兼顾跨场景知识与低延迟。线上 A/B 测试显示 …
arXiv cs.LG42 天前
★ 3
从16万次训练中汲取策略学习经验
论文对离线强化与模仿学习开展大规模实证研究，跨114个数据集训练超过16万个策略。结果显示没有算法全面占优，超参数调优常重排算法排名，基准组成可产生矛盾结论。作者据此开发数据集条件推荐器，并发布JumpStart资源套件，包含全部策略、分数、超参数、基线、代码与可扩展网站，旨在提升离线策略学习研究…
arXiv cs.LG48 天前
★ 2
博士论文提出离线学徒学习框架，用于智能教学与临床决策
该博士论文围绕奖励建模与示范质量两大挑战，提出 EM-EDM、THEMES、HALIDE、CCHAL 等离线学徒学习框架，在多个教育及临床数据集上优于扁平与分层基线。真实课堂评估中，StuEDM 策略相较专家基线取得显著学习增益，且干预学生频率不到对照策略的一半。
arXiv cs.LG11 天前
★ 2
DTRC：离线视觉控制的有向时间表示
论文提出 DTRC，在冻结的 LeWorldModel 特征上学习与时间可达性对齐的潜在几何，用于离线视觉控制。它构建有向时间准度量，将距离变化作为目标相对时间进度信号，在十个视觉控制任务上取得优于规划与直接策略基线的表现。
arXiv cs.LG25 天前
★ 2
可认证安全筛选：离线强化学习的无分布保证
论文研究在仅能比较短片段、偶尔判断回合是否超预算的条件下，如何为安全离线强化学习提供保证。提出「先筛选后克隆」流程：用片段比较训练的状态价值函数为整条轨迹打分，再用 Learn-then-Test 校准在无分布 (α, δ) 界下认证筛选阈值。在 15 项 DSRL 任务中 11 项满足成本预算，…
arXiv cs.LG49 天前