arXiv · Machine Learning· Hsiao-Ru Pan, Florent Draye, Bernhard Sch\"olkopf·· 6 小时前AI 评分33
ABC：基于优势函数的控制变量法用于可验证奖励强化学习
ABC: Advantage-Based Control Variates for Reinforcement Learning with Verifiable Rewards
AI 导读
ABC（Advantage-Based Control Variates）通过优势-价值公式重新审视轨迹级控制变量，与 Direct Advantage Estimation（DAE）结合成单一 actor-critic 算法。
来源：arXiv · Machine Learning · arxiv.org