精选理由
做强化学习训练的团队可以省下从头调参的功夫——用现有基线策略做跳板，训练效率更高且最终策略更强，值得在连续控制任务上试试。
该论文提出了一种新的强化学习训练方法，通过嵌入已有的基线策略来提升训练效率。方法在训练初期依赖基线策略，逐步将控制权转移给可训练的学习策略，最终使学习策略独立运行。理论分析证明了该方法在目标到达概率上的优势，实验表明其在连续控制任务中表现优于或持平于现有方法，且全程保持高目标到达率。
AI 翻译 · 中文
该论文提出了一种新的强化学习训练方法，通过嵌入已有的基线策略来提升训练效率。方法在训练初期依赖基线策略，逐步将控制权转移给可训练的学习策略，最终使学习策略独立运行。理论分析证明了该方法在目标到达概率上的优势，实验表明其在连续控制任务中表现优于或持平于现有方法，且全程保持高目标到达率。
Training reinforcement learning (RL) policies from scratch is costly: it requires careful reward and environment design, extensive tuning, and substantial computation. Yet many control problems already have a funct…