本文探讨了离线强化学习中的偏好学习方法，提出了新算法OPPO和PRDC，旨在优化策略并解决偏好不一致问题。研究表明，这些方法在多目标设置中有效提升学习性能，并在不同数据集上取得优异结果。

离线偏好强化学习中的数据集内轨迹返回正则化
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