arXiv · AI· Saeed Hedayatian, Harsh Shah, Celine Mneimneh, Stefanos Nikolaidis·2026-10-28 12:00· 5 小时前AI 评分20

RePPO：用于行为多样化强化学习的排斥群体策略梯度

Repulsive Population Policy Gradients for Behaviorally Diverse Reinforcement Learning

AI 导读

研究提出 RePPO 方法，通过适应 PPO 并采用动态形状奖励，联合优化紧凑的高质量多样化策略群体。在连续控制任务中，RePPO 实现了优于当前 QD-RL 方法的质量-多样性权衡。 RePPO 成功应用于像素学习和 LLM 微调，首次证明 QD-RL 可扩展至大语言模型领域。

来源：arXiv · AI · arxiv.org