arXiv · ML· Mai Pham, Vikrant Vaze, Peter Chin·· 6 小时前AI 评分28
Optimistic Policy Regularization 算法：基于精英统计的奖励塑形提升 PPO 性能
Optimistic Policy Regularization: Elite-Statistic Reward Shaping
AI 导读
研究者提出 Optimistic Policy Regularization (OPR)，通过估计前四分位精英轨迹的动作先验，将其对数比率的有界变换作为奖励加项融入 PPO，无需辅助网络或离策略校正。
来源：arXiv · ML · arxiv.org