离线强化学习中的结构化非稳定性数据集

该研究针对离线强化学习中策略训练不稳定的问题，提出了正则化当前策略的无折扣平稳分布的方法。

通过训练动力学模型来实现正则化，减少分布不匹配引起的误差，提升了在连续控制任务中的表现。

提出了一种新的离线强化学习算法，使用潜在变量模型来学习环境的表示，显著优于不考虑环境变化的方法。

研究了一种新的离线强化学习代理，通过减去探索奖励来保持策略在数据集的支持范围内，证明了该代理在连续控制任务中的竞争力。

介绍了一种自适应策略学习框架，融合离线学习与在线学习，提高了离线数据集的质量，实验证明了高样本效率。

强调离线强化学习的多样性和高回报的例子对于成功的重要性，行为克隆仍然是一个竞争对手。

通过在在线强化学习算法中添加行为克隆项，最大限度地提高了运行效率，达到了与现有离线 RL 算法相当的性能。

提出了一种混合离线元强化学习算法，能够使用有奖离线数据进行元训练，并通过收集额外的非监督在线数据来补偿分布偏移。

离线策略学习旨在利用现有轨迹数据集学习决策策略，提出的采样策略显著提升了现有算法的性能。

提出了一种基于经验回放的集成离线强化学习算法，通过引入多个值网络来提高单任务离线强化学习网络的性能。