Constrained Markov Decision Processes with Expected Total Reward Criteria
PulseAugur coverage of Constrained Markov Decision Processes with Expected Total Reward Criteria — every cluster mentioning Constrained Markov Decision Processes with Expected Total Reward Criteria across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的强化学习框架优化企业行动的客户定位
研究人员开发了一个新的“下一步最佳行动”（NBA）系统框架，该系统用于确定折扣和促销等客户干预措施。该框架将NBA构建为约束马尔可夫决策过程（CMDP），并将其离线策略因果校正整合到线性规划（LP）公式中。该系统旨在在遵守运营约束和因果关系的基础上，最大化长期经济价值。在一项涉及网约车优惠券定位的案例研究中，与估计的行为策略相比，优化策略将客户生命周期价值提高了19%。
-
新的强化学习算法MO-IKE增强了大型语言模型的知识编辑能力
研究人员开发了一种新的多目标强化学习算法，名为MO-IKE，以改进大型语言模型的上下文知识编辑。该方法将提示构建视为一个结构化实体，同时优化可靠性、泛化性和特异性等竞争性目标，从而解决了先前方法的局限性。MO-IKE训练一个动态检索器来构建更平衡、更连贯的提示，显著提高了Llama-3.2等模型上的编辑成功率和释义一致性。
-
AI框架通过基于风险的决策增强IT修复安全性
研究人员开发了一个新的IT运维自动化修复框架，将其视为一个风险约束的干预决策问题。该方法利用约束马尔可夫决策过程（CMDPs）来最大化修复成功率，同时遵守有限的虚假修复率（FRR）。该系统包含一个三维风险分解（爆炸半径、可逆性、认知不确定性）以实现可解释的安全性，以及一个适应上下文的人机协作门控机制，该机制会根据值班负载和业务关键性进行调整。在微服务基准测试上的实验表明，FRR显著降低，修复成功率提高，同时值班升级负载也随之减少。
-
新的CMDP算法绕过Slater条件以提高性能
研究人员为在线片段式约束马尔可夫决策过程（CMDPs）开发了一种新算法，该算法改进了现有方法。该算法处理随机和对抗性约束，而无需Slater条件，这是一个重大的进步，允许在不存在严格可行解的情况下进行设置。它在懊悔和约束违反保证方面取得了改进，甚至解决了正约束违反问题，并在对抗性场景中提供了相对于无约束最优值的次线性 alpha-懊悔。该算法的有效性已通过合成实验得到证明。