:: создание стимулирующих МВУ для распределения ресурсов в целях повышения качества подготовки специалистов по РМП;

arXiv: 261 030.37429v1 Вид уведомления: новое резюме: групповая оптимизация политики (ГРПО) продемонстрировала высокую эффективность после прохождения профессиональной подготовки. Вместе с тем он выделяет единый бюджет для реализации каждого вопроса о подготовке кадров, игнорируя различные трудности в этой области. В результате этого весьма сложные вопросы могут получить слишком небольшое количество рекламных объявлений, чтобы генерировать информативные позитивные сигналы о вознаграждении, что ограничивает их вклад в подготовку кадров, а умеренно трудные вопросы часто получают больше, чем необходимо. В этой работе мы формулируем проблему выделения бюджетных ассигнований на цели обеспечения максимально эффективного использования услуг по профессиональной подготовке в рамках того же общего бюджета, что и стандартная РМП. Мы предлагаем AdaRoll-GRPO, которая переформулирует распределение в качестве последовательной проблемы принятия решений и задействует процесс принятия решения по делу Bayes-Adptive Markov (MDP) для изучения адаптивной политики распределения. Политика в отношении извлеченных уроков рассчитана на основе офлайновых данных и применяется во время подготовки кадров ГПП, не вводя дополнительных онлайновых методов оптимизации