2024年1月21日
offline RL | ABM：从 offline dataset 的好 transition 提取 prior policy
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
posted @ 2024-01-21 11:26 MoonOut 阅读(70) 评论(0) 推荐(0) 编辑
PbRL | 速通 ICLR 2024 RLHF · PbRL
摘要： OpenReview 检索关键词：ICLR 2024、reinforcement learning、preference、human feedback。 阅读全文
posted @ 2024-01-21 11:17 MoonOut 阅读(173) 评论(0) 推荐(0) 编辑