Dibs

新的DIBS方法增强了强化学习的泛化能力

研究人员开发了一种名为DIBS的新方法，该方法将行为克隆与强化学习分离，以提高归纳泛化能力。该方法将特定任务策略的学习与高阶策略演化函数（policy-evolution function）的学习分离开来。通过在教师策略的状态-动作对上进行行为克隆来拟合演化函数，DIBS用稳定的监督信号取代了嘈杂的奖励聚合，与现有算法相比，提高了训练稳定性和零样本泛化能力。