Planning to Learn：把策略梯度按剩余学习量截断的 horizon loss

论文提出 horizon loss，把精确策略梯度按剩余学习量截断，介于交叉熵与零时域极限之间。分类器期望奖励即期望准确率，精确策略梯度虽无探索、信用分配与动作采样噪声，却因短视而输给交叉熵。MNIST 与 ImageNet 上 ResNet-50、ResNet-101、ViT-S/16 在固定学习率下 top-1 准确率提升，标签噪声越大增益越明显。