提出了一种基于奖励函数分布的非线性集合动作目标框架(ROSA),用于解决强化学习中策略多样性和奖励不确定性问题,在不牺牲期望奖励的同时自然诱导出可控的多样性行为。
机构:DeepMind
来源:arXiv 2606.03962 | AI4Papers 论文推荐平台