研究人员开发了一种名为方差最优结合效应模型(VOCEM)的新估计器,用于上下文老虎机策略的离轨策略评估。该方法旨在通过在现有估计器OffCEM和双重稳健(DR)之间进行插值来降低与动作级重要性加权相关的高方差。VOCEM选择一个插值系数来最小化方差,从而得到一个方差不大于OffCEM或DR的估计器。在合成数据和基准测试上的实验表明,VOCEM在各种条件下均优于OffCEM和DR,显示出改进的稳定性和经验鲁棒性。 AI
影响 提高了上下文老虎机策略评估的稳定性和鲁棒性,可能带来更可靠的强化学习系统。
排序理由 该集群包含一篇详细介绍离轨策略评估新估计器的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →