PoEM 新方法:用已有奖励的模型组合预测新奖励下的 RL 结果

giannis_daras · x · 2026-11-21

kimiahmdh 与 giannisdaras 发布论文 PoEM,核心问题:能否在不实际训练的情况下,预测强化学习在新奖励下会学出什么策略?

方法的关键是利用策略空间中的线性性:将 previously trained 于其他奖励的模型进行组合(composing),即可预测在新奖励上训练 RL 的结果,省去昂贵的实际训练。作者称这是利用策略空间线性性的研究。

原文链接 →

「研究」频道最新

更多「研究」频道 AI 资讯 →