Многоцелевое повышение эффективности обучения с использованием маршрутных увязок и атрибуции

arXiv: 261 0355733v 1 Annualce Type: кросс-бюллетень: Многоцелевое обучение по укреплению является фундаментальной проблемой для современной ИИ, которая включает в себя применение послетренировочных моделей, рассуждений и роботоконтроля. Главная задача заключается в изучении политики, которая уравновешивает конкурирующие цели, такие как помощь и честность в безопасности и согласовании или скорость и энергию робототехники. Оптимальная политика может резко варьироваться в зависимости от сочетания объективных весов, и масштабы этих различий зависят главным образом от степени противоречия между целями, что делает обучение на основе индивидуальных предпочтений неэффективным. В настоящем документе мы введем объективные коэффициенты конфликта и вычислим почти оптимальные пределы для сожалений применительно к онлайновым условиям с использованием этой меры, что позволит количественно оценить воздействие несогласованности на эффективность обучения. Затем мы проектируем ансамбль для обучения политике, алгоритм, который поддерживает небольшой набор базовых стратегий и динамически маршрутизирует траектории политики с самым высоким сильными