跳到主要内容
检索

Renhao Zhang

1 篇关联报道

订阅更新
  1. arXiv

    奖励标签只标一小部分:SURE把后继可达性与奖励不确定性相乘,用更少反馈逼近全反馈

    在离线数据只有极少数转移能拿到奖励标签的设定下,SURE把“哪些状态能到达当前高价值状态”与“奖励模型在哪里仍不确定”相乘,决定下一个标签标在哪里。它把已查询的奖励保留下来训练奖励模型,再用该模型为其余转移补奖励。在Maze2d-Medium、Maze2d-Large和HalfCheetah上,SURE达到全反馈参考95%水平所需的反馈比例在三个域中均为各方法最低,分别为0.20%、0.15%和0.71%。

已读完全部报道