arXiv · AI· Olaitan Olaleye, Jayson Meribe, Temidayo Olaleye·· 8 小时前AI 评分38
WAS-PO：多奖励强化学习中的相关性感知聚合方法
Whitened Advantage Summation Policy Optimization: Correlation-Aware Aggregation for Multi-Reward Reinforcement Learning
AI 导读
WAS-PO通过白化归一化优势项校正奖励相关性偏差，使权重精确作用于去相关分量。在Qwen2.5-1.5B-Instruct工具调用任务中，该方法的平均训练奖励比GDPO高3.8%-3.9%，但泛化准确率未提升。
来源：arXiv · AI · arxiv.org