离线强化学习的优势感知策略优化

BriefGPT - AI 论文速递 · 2024-03-12T00:00:00Z

本文介绍了一种新的离线强化学习方法A2PO，通过利用脱机数据集来制定智能体策略，解决分布不匹配问题。该方法使用条件变分自编码器解开行为策略的动作分布，并将训练数据的优势值建模为条件变量，以优化高优势值的策略。实验结果表明，A2PO在D4RL基准测试中优于现有的对手。