计算机科学 > 机器学习
[提交于 2024年1月31日
(v1)
,最后修订 2025年8月20日 (此版本, v3)]
标题: 探索政策梯度中的神话
标题: Behind the Myth of Exploration in Policy Gradients
摘要: 为了使用策略梯度算法计算接近最优的策略,实践中通常在学习目标中包含内在探索项。 尽管这些项的有效性通常由探索环境的内在需求来证明,但我们提出了一种新的分析方法,从数值优化的角度进行分析。 在学习目标上引入了两个标准,在其随机梯度估计上引入了另外两个标准,并随后用于讨论优化后的策略质量。 该分析揭示了探索技术的两个独立影响。 首先,它们使得学习目标平滑化,并在保留全局最大值的同时消除局部最优解。 其次,它们修改了梯度估计,增加了随机参数更新最终提供最优策略的可能性。 我们通过基于熵奖励的探索策略实证说明了这些影响,指出了局限性并提出了未来工作的方向。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.