M_psi

新的OHIRL框架从无奖励感知流中学习 · 跟踪2个来源

研究人员开发了一种新颖的在线奖励惩罚学习框架OHIRL，专为环境不提供明确奖励或标签的场景设计。OHIRL通过分析转换后果来推断诸如疼痛或错误等感知维度的效价。该框架将下一包预测、残余动力学建模、轨迹评估和策略更新的角色分开。在2x2-XOR、CartPole和Taxi等任务上的实验表明，OHIRL在最优动作选择和奖励符号预测方面能够达到高精度，优于各种对照方法。