研究者发布OPR强化学习方法论文

研究者Mai Pham、Vikrant Vaze和Peter Chin提出并发布了一篇关于乐观策略正则化（OPR）的论文。 该算法旨在提升PPO性能，其核心是基于精英统计的奖励塑形。OPR通过估计前四分位精英轨迹的动作先验来构建策略参考。 OPR将这些先验的对数比率的有界变换作为奖励加项融入PPO算法中。该方法无需辅助网络或离策略校正即可实现奖励增强，优化了训练过程。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。