变分结果驱动的离线强化学习方法 StBR

研究者提出面向离线强化学习的结构化行为正则化方法（StBR），通过策略引发的状态结果分布而非单纯匹配动作分布来约束策略。该方法引入闭式隐空间散度作为真实结果分布散度的理论有界替代，在动态敏感区域自适应收紧行为约束，有效防止偏离离线数据集。实验表明，StBR 在多个离线强化学习基准上取得了优异性能。