Всемирный типовой программный инструмент для повышения эффективности обучения по достижению целей

arXiv:2610 10932v1 Annuate Type: New Humber: Offline-building Upduction (GCRL) выпустили целый набор алгоритмов, направленных на достижение целей, но ни один из алгоров не выполняет наилучших задач в окружающей среде, целях и даже различных этапах одной задачи. Вместо того, чтобы проводить только наиболее эффективную политику, мы задаемся вопросом о том, можно ли коллективно использовать комплекс замороженных целевых стратегий в качестве портфеля и решать во всех государствах, какая политика должна действовать. Выбор политики в каждом штате не прост. Сами по себе ценные функции политики не могут быть сопоставлены напрямую: они могут использоваться в различных масштабах, и некоторые стратегии не имеют никакой полезной функции. Мы должны судить о каждой политике со стороны государств, к которым она может быть достигнута, хотя мы можем проводить только одну политику за раз. Нам также нужно избегать так частого переключения, что контроль становится неустойчивым. Для решения этих проблем мы внедряем World-Model Policy Arbiter (WMPA) — экспериментальную систему, которая с учетом ряда замороженных стратегий в качестве вклада