arXiv Artificial Intelligence· Saeed Hedayatian, Harsh Shah, Celine Mneimneh, Stefanos Nikolaidis·· 19 小时前AI 评分31
RePPO：用排斥性种群策略梯度实现行为多样的强化学习
Repulsive Population Policy Gradients for Behaviorally Diverse Reinforcement Learning
AI 导读
研究者提出 RePPO，将 PPO 适配为用依赖种群、动态塑形的奖励联合优化一小组多样且高质量的策略，在标准连续控制任务上取得优于当前 QD-RL 方法的质量-多样性权衡。在基于像素的任务中，RePPO 在保持与标准 PPO 相当质量的同时多样性显著更高，并首次将 QD-RL 方法成功用于大语言模型微调。
来源：arXiv Artificial Intelligence · arxiv.org