论文提出正则化鲁棒强化学习统一约束框架

阿明·安达姆、贾迈勒·本塔哈尔和穆斯塔法·赫达布发表论文，为基于正则化的鲁棒强化学习提出统一理论框架，并推导出名义策略与最坏情况策略性能差距的新上界。作者称，每个上界由现有正则化目标加上两者间的 KL 散度惩罚构成，据此解释了 KL 惩罚提升鲁棒性的原因。 基于这些上界，作者将鲁棒训练建模为约束优化问题，指出现有方法对应固定 Lagrange 乘子的特例，并让乘子与策略联合更新以自动调节正则化权重。多个连续控制任务的对抗评测验证了理论分析。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。