本文研究了带有滞后奖励的对抗马尔可夫决策过程中的近端政策优化（PPO）算法，提出了Delay-Adapted PO算法及其优化机制，取得了显著成果，推动了强化学习领域的发展。

无需热身的策略优化：在线性马尔可夫决策过程中改进遗憾
BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 ·
👤 个人中心
在公众号发送验证码完成验证