实体
Mo-Gymnasium
Mo-Gymnasium
PulseAugur coverage of Mo-Gymnasium — every cluster mentioning Mo-Gymnasium across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
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
-
新方法通过集成策略增强多目标强化学习
一篇新论文介绍了多目标强化学习的新方法，这是推理模型和机器人控制等人工智能应用的关键领域。该研究提出量化目标冲突，并引入“路由集成策略学习”，以动态地将轨迹路由到最有效的基策略。此外，还提出了一种“核代理轨迹归因”算法，用于估计轨迹反馈如何影响策略学习，捕捉轨迹之间复杂的相互作用。评估显示，平均性能和与分析的相关性有所提高，尤其是在应用于轨迹选择时。
-
新的MO-GRPO算法解决了多目标强化学习中的奖励破解问题
研究人员推出了一种名为MO-GRPO的新算法，旨在解决多目标强化学习中的奖励破解问题。该新方法通过引入一种简单的归一化技术，根据奖励函数的值方差自动重新加权奖励函数，从而扩展了群体相对策略优化（GRPO）。MO-GRPO确保所有目标在损失函数中做出公平的贡献，无需手动缩放即可保持偏好顺序。在多臂老虎机、模拟控制任务、机器翻译和指令遵循等多个领域的实验评估表明，MO-GRPO能够实现稳定的学习，并且优于标准的GRPO。