跳到正文
arXiv · ML· Seungyub Han, Taehyun Cho, Dohyeong Kim, Kyungjae Lee, Jungwoo Lee·· 13 小时前AI 评分23

MINT 通过二元截断指示器优化多步离策略强化学习

MINT: Meeting-time Indicators for Truncation in Multi-Step Off-Policy RL

AI 导读

MINT 提出用二元截断指示器替代多步离策略 TD 方法中的轨迹系数乘积,解决方差控制与长时程信号的权衡。 该指标在真实值函数下具备幂等性,方差界由相遇时间生存率决定;单个采样动作即可提供无模型替代,无需转移模型。 在 MuJoCo、DeepMind Control 及 Atari 100k 等任务上,MINT 性能优于报告的多步基线。

来源:arXiv · ML · arxiv.org