arXiv cs.LG· Huiwen Han, Ziyao Zeng, Zihao Zhu, Sisong Bei, Hao Wang, Hongyu Xu, Yan Han, Degui Zhi, Zhiwen Fan·· 19 天前AI 评分38
强化学习新方法 CCPO：上下文信用策略优化
Contextual Credit Policy Optimization
AI 导读
研究者提出上下文信用策略优化（CCPO），通过上下文相似度加权跨轨迹对齐样本，并结合历史信用与未来信用为长任务中的单步动作分配更精准奖励，无需额外的价值评估网络（value critic）。
来源：arXiv cs.LG · arxiv.org