Generative Value Classifier

新的Q学习方法使用动作进行监督

研究人员引入了一种名为生成式价值分类器（Generative Value Classifier）的新Q学习方法，旨在通过利用动作作为监督来源来改进强化学习。该方法不只预测状态-动作对的价值，而是推断给定不同可能回报下动作的可能性。这个生成式组件与Actor的架构共享，使得Critic可以由每一个动作进行监督，而不仅仅是回报。在离线和在线强化学习任务上的评估显示，其性能优于现有的判别式方法。