离线强化学习中的结构化非稳定性数据集
原文中文，约300字，阅读约需1分钟。发表于：。当前强化学习通常受到需要大量数据来学习成功策略的限制。离线强化学习旨在通过使用由不同行为策略收集到的转换来解决这个问题。我们提出了一种基于对比预测编码的方法，该方法识别了离线数据集中的非稳定性，在训练策略时对其进行考虑，并在评估过程中进行预测。我们分析了我们提出的方法，并展示了它在简单的连续控制任务和具有挑战性的高维运动任务中的良好表现。我们证明了我们的方法往往达到了最优性能，并且比基线方法表现更好。
离线强化学习通过使用不同行为策略收集的转换来解决强化学习需要大量数据的问题。该方法基于对比预测编码，识别离线数据集中的非稳定性，并在训练和评估过程中进行预测。实验证明该方法在连续控制任务和高维运动任务中表现优于基线方法。
