arXiv Artificial Intelligence· Long Li, Zhijian Zhou, Tianyi Wang, Weidi Xu, Zuming Huang, Wei Chu, Zhe Wang, Shirui Pan, Chao Qu, Yuan Qi·· 19 小时前AI 评分27
DyJR：用动态 Jensen-Shannon 回放保持可验证奖励强化学习的多样性
DyJR: Preserving Diversity in Reinforcement Learning with Verifiable Rewards via Dynamic Jensen-Shannon Replay
AI 导读
针对 GRPO 等 on-policy 算法丢弃历史 rollout 导致样本效率低、策略过度集中的问题，研究者提出动态 Jensen-Shannon 回放（DyJR）正则化框架。
来源：arXiv Artificial Intelligence · arxiv.org