技术栈
rl算法
闲研随记
4 小时前
论文阅读
·
人工智能
·
算法
·
强化学习
·
icml
·
rl算法
【文献阅读 ICML 2026】RL算法：R2VPO
RL算法：R2VPO这一节，将从策略比值policy ratio的角度重新审视trust-region策略优化算法，并将证明，策略散度divergence的局部几何特征均由策略比值policy ratio的方差variance统一决定。这一发现引出了一种简单且具备理论依据的方案，替代裁剪操作：引入方差正则化目标函数来实现稳定参数更新，同时天然支持离线策略数据复用。
我是有底线的