研究者提出离线RL后验采样方法PSPO

Hongqiang Lin等作者提出离线策略优化方法PSPO，将动力学模型视为随机变量而非点估计，通过交替更新后验分布与策略，实现对OOD区域的可控探索，并设计了带收敛保证的正则化优化算法。 在标准benchmark上，PSPO性能优于当前最优基线，且兼具无过度悲观特性与鲁棒性。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。