实体
Bellman equations
Bellman equations
PulseAugur coverage of Bellman equations — every cluster mentioning Bellman equations across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 1
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 1
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
新的Bellman策略优化方法增强了LLM的推理能力
研究人员推出了一种新颖的具有可验证奖励的强化学习（RLVR）方法——Bellman策略优化（BPO），旨在增强大型语言模型（LLMs）的推理能力。BPO是一种无判别器的方法，源自策略镜像下降（PMD），它将PMD重构为使用Bellman方程的轨迹级目标。这种重构绕过了在中间步骤估计状态值的需求，并且其实际损失函数通过基于平滑标记概率的失配校正权重进行近似。在数学推理基准上的实验表明BPO是有效的。
-
AI 研究人员为时序逻辑策略开发新的值函数
研究人员开发了一种新的方法，用于在强化学习中构建时序逻辑规范的最优策略。该方法通过分解值函数并创建考虑状态历史的非马尔可夫策略，在现有工作的基础上进行了扩展。Q 函数也被用作复杂时序逻辑任务的安全过滤器，将先前能力扩展到基本的到达和避免场景之外。