VCBM方法优化延迟奖励强化学习信用分配

Prathap Selvakumar 提出并验证视觉因果链标记法（VCBM），旨在优化延迟奖励强化学习中的信用分配。该方法将信用集中在决定回合回报的决策点上，具有两种具体实现方式。在 20 个种子的实验中，VCBM 平均在 1,532.3 个集合同时收敛至 95.07% 正确率，优于 RUDDER 基线的 3,327.1 集。 在部分可观测的 AppWorld 语言环境中，VCBM 结合 LOOP 训练 Qwen2.5-7B-Instruct，使任务成功率从 0.354 提升至 0.458。这一结果展示了该方法在计算受限条件下，向更复杂的自然语言尺度扩展的可行性。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。