实体
Self-play reinforcement learning
Self-play reinforcement learning
PulseAugur coverage of Self-play reinforcement learning — every cluster mentioning Self-play reinforcement learning across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
1
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
-
新方法从强化学习教师那里蒸馏出约束驾驶策略
研究人员开发了一种方法,将自玩强化学习 (RL) 驾驶策略的知识蒸馏到一个约束可微分模型预测控制 (DiffMPC) 学生中。该方法保留了近端策略优化 (PPO) 教师策略的核心,并用强制执行道路边界和代理约束的 DiffMPC 替换其动作头。然后,在教师的自玩模拟器中使用 DAgger 训练学生策略。这个蒸馏过程耗时不到教师训练时间的 30%,结果是一个约束学生,在包括 nuPlan、CARLA 和分布外 Waymo 场景在内的各种…
-
自玩强化学习的稳定性取决于数据门控,而非奖励设计
一篇新的研究论文探讨了语言模型中自玩强化学习的稳定性,确定数据门控是比奖励对齐更关键的因素。研究发现,即使没有真实奖励,严格的数据门控也足以保证稳定性,而仅靠奖励设计无法防止崩溃。这项工作引入了“对齐提议者悖论”,表明拥有真实数据访问权限的提议者可以通过将训练集中在虚假吸引子上而加速崩溃。