★ 3
SimHack：RL 训练前预测奖励黑客行为出现时机
研究提出 SimHack 模拟器，从少量小规模参考 RL 运行中学习奖励黑客的训练动态，在正式训练前预测目标配方下黑客行为成为主导的步数分布。该方法中位起始步预测相对误差 11.3%，可用于筛选低风险课程，找到训练时长延长 96.6% 而不出现黑客的配方。
arXiv cs.LG11 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
研究提出 SimHack 模拟器，从少量小规模参考 RL 运行中学习奖励黑客的训练动态，在正式训练前预测目标配方下黑客行为成为主导的步数分布。该方法中位起始步预测相对误差 11.3%，可用于筛选低风险课程，找到训练时长延长 96.6% 而不出现黑客的配方。