Режимно-зависимое исправление для стабильного обучения PPO
arXiv:2602.05619v2 Тип объявления: замена абстрактных архитектурных компонентов (слоев, которые ведут себя по-разному во время обучения и оценки, таких как стандартизация пакетов или отсев) обычно используются в обучении визуальному подкреплению, но могут дестабилизировать оптимизацию политики. Мы…