LEMUR：多目标偏好反馈强化学习框架

Manith Adikari 等作者发布论文，提出 LEMUR 框架，让智能体从多个人类的偏好反馈中交互学习最优多目标策略，并同时学习策略与多个目标专属奖励模型，从而在学习过程中平衡相互竞争的目标。 据作者在论文中称，该方法在多种多目标基准任务上优于基线方法，为无需预定义奖励函数的多目标决策任务提供了新方向。

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。