摘要：
因为自己实在是太好忘了? a56爆大奖在线娱乐在博客存档方便查找 阅读全文
摘要：
零零散散的经验，存下来方便查阅。 阅读全文
摘要：
ELBO 用于最小化 q(z|s) 和 p(z|s) 的 KL 散度，变成最大化 p(x|z) 的 log likelihood + 最小化 q(z|s) 和先验 p(z) 的 KL 散度。 阅读全文
摘要：
整理并发布本科四年的课程资料。 阅读全文
摘要：
使用 df.loc[len(df)] = {'key1': 123, 'key2': 234} 阅读全文
摘要：
电脑端：在同一个局域网下 + 共享文件夹；手机端：文件 app 连接服务器 + 照片 保存到文件。 阅读全文
摘要：
简单看了一下三大会近期的 Multi-objective RL 工作。 阅读全文
摘要：
【ps -ef | grep '[w]andb'】【pkill -f wandb】 阅读全文
摘要：
在某些契机下，制作了构想很久的个人 icon。 阅读全文
摘要：
如果想最大化期望下的 R(τ)，那么策略梯度 = R(τ) · Σ ▽log π(a|s) ，即 discounted return × Σ 梯度 log [选取该 action 的概率] 。 阅读全文
摘要：
① medium：中等策略。② random：随机策略。③ medium-replay：训到中等策略的整个 replay buffer。④ medium-expert：等量混合专家数据和次优数据（次优或随机策略）。 阅读全文
摘要：
主要 trick：① 更新 A 时把 B stop-gradient，② 在 encoder 后添加神秘的 MLP 层。 阅读全文
摘要：
① 定义 non-Markovian reward 的输入是 trajectory，② 使用 exp Σ w(τ) · r(τ) 的 preference 形式。 阅读全文
摘要：
Act as a reinforcement learning expert. Please do a review for representation learning in RL. Should focus on how to map a trajectory to a latent. 阅读全文
摘要：
将 offline HIM 应用到 PbRL，① 用离线轨迹训练 a=π(s,z) ，② 训练最优 hindsight z* 靠近 z+ 远离 z-。 阅读全文
摘要：
将 offline 训练轨迹中，当前时刻之后发生的事 作为 hindsight，从而训练出 想要达到当前 hindsight 的 action。 阅读全文
摘要：
① sequence: {s, a, R, s, ...}；② 在 s 的 decode 结果上加 MLP 预测 action；③ 给定 return-to-go 作为某种 hindsight。 阅读全文
摘要：
画图代码的存档。 阅读全文
摘要：
Proportional-Integral-Derivative（PID），比例-积分-微分控制。 阅读全文
摘要：
① unlearn：保守 offline RL 训出的 Q function 太小，被 online 的真 reward 量级压制，导致 policy 初始化破坏，性能下降。② 校准：魔改 CQL 惩罚，令 Q_θ ≥ Q_β。 阅读全文
摘要：
在 offline + online buffer 的采样概率，应当与 d^{on}(s,a) / d^{off}(s,a) 成正比（importance sampling）。 阅读全文
摘要：
对于美丽的人和事物，美丽的感念与此刻，便只希望它能永远存在下去；如果可能的话，请永远停留在这里吧。 阅读全文
摘要：
采用 policy iteration 框架，① policy evaluation 普通更新 Q function，② policy update 使用 AWR 式更新，③ 前两步的采样数据集都是 offline + online。 阅读全文
摘要：
对于 policy improvement，maximize Q(s, π(s)) ，同时约束 π 与一个 prior policy 的 KL 散度，prior policy 用 advantage 非负的 offline 状态转移计算。 阅读全文
摘要：
OpenReview 检索关键词：ICLR 2024、reinforcement learning、preference、human feedback。 阅读全文
摘要：
为了帮助你更好地理解 Nested Partition 算法，a56爆大奖在线娱乐为你生成了一首诗，用比喻的方式描述了这种算法的过程。希望这对你有所帮助。? 阅读全文
摘要：
如果没有质量更好的第二季，宁愿它就这样停在第一季；已经很好了，已经很完美了。 阅读全文
摘要：
critic loss = ① ID 数据的 TD-error + ② OOD 数据的伪 TD-error，① 对所转移去的 (s',a') 的 uncertainty 进行惩罚，② 对 (s, a_ood) 的 uncertainty 进行惩罚。 阅读全文
摘要：
Query-Policy Misalignment：选择的看似 informative 的 query，实际上可能与 RL agent 的兴趣不一致，因此对 policy learning 帮助很小，最终导致 feedback-efficiency 低下。 阅读全文
摘要：
贡献：提出a56爆大奖在线娱乐生成非理性（模拟人类）preference 的方法，使用多样化的 preference，评测 PBRL 各环节算法设计（select informative queries、feedback schedule）的效果。 阅读全文
摘要：
非常感谢！去写作业了?? 阅读全文
摘要：
① 使用 VAE 建模 offline dataset 的 π(a|s)，② 添加一个可以学习的 action 扰动 ξ，③ 用 (s, a=π(s)+ξ, r, s') 做 Q-learning。 阅读全文
摘要：
一篇知乎 TRPO 博客，感觉 idea 讲的很清楚，特来搬运。 阅读全文
摘要：
① 通过 (s,a,r,s',a') 更新 Q function，② 通过 Q 和 V 交替迭代，避免过拟合 s'~p(s'|a) 的随机好 s'，误以为 a 是好 action，③ 通过 AWR 从 advantage 提取 policy。 阅读全文
摘要：
① 在 actor 最大化 Q advantage 时，纳入一个 behavior cloning loss； ② observation 归一化；③ 让 Q advantage 跟 behavior cloning 的 loss 可比。 阅读全文
摘要：
感觉讲的非常好，谢谢善良的博主 ??? 阅读全文
摘要：
仅仅留下了一些印象，并没有看懂具体算法…… 如果需要重读这篇论文，会 refine 这篇阅读笔记的。 阅读全文