arXiv · ML· Shan Yang·· 14 天前AI 评分23
PPL 如何通过教授行为原则替代奖励信号进行策略学习
Teaching Agents the "Principle", Not the "Reward": Prescriptive Policy Learning
AI 导读
针对复杂任务中智能体难以从噪声奖励信号中泛化的问题,本文提出指示性策略学习(PPL),直接教导智能体高层行为原则。 PPL 利用关键量和参考系指示智能体每一步是否遵循原则,无需任何奖励信号。 实验表明,仅接受简单启发式原则教学的 PPL 智能体以极少样本超越基于奖励的方法,且策略可直接迁移至更难场景。
来源:arXiv · ML · arxiv.org