arXiv · NLP· Kimia Hamidieh, Giannis Daras, Antonio Torralba·· 10 天前AI 评分25
PoEM:利用现有策略预测强化学习结果
PoEM: Predicting RL Outcomes from Existing Policies
AI 导读
PoEM框架提出无需重新训练即可预测新奖励函数下的RL策略结果,利用已有策略在log-probability空间的低秩子空间特性进行线性组合近似。 该算法仅需基于奖励或基策略在样本上的输出估计组合权重,在开放式生成、数学推理、工具调用及图像生成任务中验证了预测有效性与计算效率优势。
来源:arXiv · NLP · arxiv.org