★ 2
研究：课程学习效果取决于奖励稀疏性与竞争最优解
论文构建并分析一个极简策略学习模型，考察课程学习在强化学习中为何比监督学习更有效。结果表明在稠密奖励下课程收益有限，而在稀疏奖励下课程学习可能是学习发生的必要条件，尤其当智能体同时追求省力与高奖励、形成相互竞争的最优解时。有效课程的作用在于降低奖励稀疏性并重塑奖励地形以避开坏的局部最优。
arXiv cs.LG7 天前
#策略学习
共 4 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 2
SPOKE：偏好优化训练扑克策略 AI 智能体
论文评估 SmallThinker、Qwen3、Gemma-3 等模型在扑克博弈中的策略表现，提出 SPOKE 方法，结合教师相对价值惩罚、策略锚定、风险约束与结构化理由监督。在 SmallThinker-4B-A0.6B 上，SPOKE 在 Kuhn 与 Leduc 取得最低可利用度，六人桌 t…
arXiv cs.AI12 天前
★ 2
论文提出 World Action Critic 模型，NAVSIM-v1 达 93.4 PDMS
论文提出 World Action Critic（WAC）模型，联合学习候选条件未来预测与后果评估，让评论家监督直接塑造预测表征。理论分析给出评论家引导的特征保留与候选选择遗憾界。在自动驾驶 NAVSIM-v1 基准上取得 93.4 PDMS。
arXiv cs.AI13 天前
★ 2
REFINEPPO：迭代动作精炼的连续控制策略
论文提出迭代动作精炼（IAR），通过一系列学习到的残差修正逐步构造控制动作，共享精炼网络反复以状态与当前动作提案为条件进行修订。将其与 PPO 结合得到 REFINEPPO，在 14 个基准控制任务上匹配或超越标准 PPO，并在多个任务上收敛更快，同时给出精炼深度与更新调度的消融分析。
arXiv cs.LG42 天前