offline policy learning

大规模离线策略学习研究训练了超过 16 万个策略

一项新研究在 114 个数据集上训练了超过 16 万个策略，以研究影响强化学习和模仿学习中离线策略学习的因素。研究发现，没有单一算法能始终占主导地位，顶尖方法的性能通常非常接近，但因环境而异。适当的超参数调整被证明会频繁改变算法的排名，而基准测试的构成可能导致相互矛盾的结论。为了提高研究的可靠性，该研究引入了 JumpStart，这是一个资源套件，包括所有训练过的策略、分数和超参数、基线和代码，以及一个用于分析和贡献的网站。