2023年11月13日
off-policy RL | Advantage-Weighted Regression (AWR)：组合先前策略得到新 base policy
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
posted @ 2023-11-13 20:40 MoonOut 阅读(99) 评论(0) 推荐(0) 编辑
PbRL | 发现部分 D4RL tasks 不适合做 offline reward learning 的 benchmark
摘要： 发现对于很多任务，（只要给出专家轨迹），将 reward 设为 0 或随机数，也能学出很好 policy，证明这些任务不适合用来评测 reward learning 的性能好坏。 阅读全文
posted @ 2023-11-13 18:11 MoonOut 阅读(239) 评论(0) 推荐(0) 编辑