Yue Pei

新的Doctor框架通过强化验证增强了可控决策

研究人员开发了Doctor，一个结合了序列建模和强化验证的新型框架，用于可控的离线决策。该方法解决了目标回报信号的不可靠性问题，尤其是在数据代表性不足的区域。Doctor采用了一个在重建和价值学习目标上进行训练的掩码轨迹Transformer。在推理时，它会生成多个候选动作，并选择具有最接近请求目标的已验证价值的动作，从而提高了可控性并在标准基准测试中保持竞争力。