MINT:用相遇时间指示器替代截断系数,改进多步 off-policy 强化学习
做强化学习的朋友可以看看这篇:MINT 把多步 TD 里最难调的 trace 长度超参数换成了自动的停止指示器,MuJoCo 和 Atari 100k 上跑赢基线,还不用逐环境调参,写 RL 代码或调 R2D2 类算法的人会感兴趣。
做强化学习的朋友可以看看这篇:MINT 把多步 TD 里最难调的 trace 长度超参数换成了自动的停止指示器,MuJoCo 和 Atari 100k 上跑赢基线,还不用逐环境调参,写 RL 代码或调 R2D2 类算法的人会感兴趣。