★ 2
OPO：按重要性比率排序自适应裁剪的策略优化方法
论文提出有序策略优化（OPO），指出 PPO 对所有样本使用固定裁剪区间无法区分统计上有害的极端比率与可容忍的大幅变化。OPO 在每个小批次中对重要性比率排序，为极端比率分配基于尾部轮廓的自适应样本级裁剪半径。在 MuJoCo 与 Atari 基准上，这一仅需排序与修改策略损失的简单改动取得优于基…
arXiv cs.LG10 小时前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文提出有序策略优化（OPO），指出 PPO 对所有样本使用固定裁剪区间无法区分统计上有害的极端比率与可容忍的大幅变化。OPO 在每个小批次中对重要性比率排序，为极端比率分配基于尾部轮廓的自适应样本级裁剪半径。在 MuJoCo 与 Atari 基准上，这一仅需排序与修改策略损失的简单改动取得优于基…