跳到正文
arXiv · ML· Dongkyu Derek Cho, Pan Xu·· 11 天前AI 评分34

Ordered Policy Optimization:一种基于排序的自适应重要性比率裁剪方法

Ordered Policy Optimization

AI 导读

论文提出 Ordered Policy Optimization (OPO),通过在每个 mini-batch 内对重要性比率排序,并为极端比率分配自适应半径,替代固定裁剪区间。方法保持一阶优化特性,仅增加排序和修改策略损失。在 MuJoCo 和 Atari 基准上表现出与现有基线相当或更强的性能,论文发表于 NeurIPS 2026。

来源:arXiv · ML · arxiv.org