FATH: Сознаваемый технико-экономическими средствами элемент RL для высокомерных систем

arXiv: 2610.12432v1 Тип уведомления: перекрестное резюме: обучение по вопросам безопасного усиления обычно ставит безопасность и выполнение задач в одну и ту же политическую цель, где они могут внедрять конкурирующие обновления. Безопасные фильтры отделяют друг от друга при осуществлении действий, но классические конструкции требуют аналитической функции безопасности и динамической модели, а стандартные минимально-воздействие фильтры миопичны по отношению к долгосрочной задачной возврату, поскольку они сводят лишь мгновенное отклонение. Тяжелые прогнозы также не определены, когда отсутствуют безопасные действия. Мы представляем FATH, осмысленную технико-экономическое обоснование без модели, которая приблизительно соответствует оптимальному значению безопасности действий государства и амортизирует минимально влиятельную фильтрацию с помощью сети поддержки. Эта целевая политика оптимизирует процесс возвращения задач с помощью фильтрованной динамики, которая позволяет восполнить реальную ограниченную проблему без проведения конкурентного термина безопасности в обновленном варианте задачной политики. Если не принимать мер, отвечающих требованиям безопасности, то один и тот же фильтр приближается к действию с мини-м