Apr, 2024

DPO: 差分强化学习及其在最优配置搜索中的应用

TL;DR提出了第一个可以处理拥有有限训练样本和较短长度回合的差分强化学习框架,命名为差分策略优化(DPO)。DPO是一种点对点和阶段对阶段迭代方法,通过本地运动算子编码的策略进行优化,具有可扩展性,且在基准实验中与几种流行的强化学习方法相比展现出有竞争力的结果。