arXiv · ML· Calarina Muslimani, Yunshu Du, Kenta Kawamoto, Kaushik Subramanian, Peter Stone, Peter Wurman·· 10 天前AI 评分33
TAC 指标的双重作用:从强化学习奖励函数设计到奖励模型学习
The Trajectory Alignment Coefficient in Two Acts: From Reward Tuning to Reward Learning
AI 导读
研究提出 Soft-TAC 可微分近似作为损失函数,用于训练最大化轨迹对齐系数(TAC)的奖励模型。用户研究表明,迭代 TAC 反馈虽能降低设计 Lunar Lander 奖励的认知负荷,但手动设计仍耗时巨大。
来源:arXiv · ML · arxiv.org