オフライン強化学習のための明示的な行動密度を持つ制約付きポリシーオプティマイゼーション

CPEDは、オフライン強化学習において安全領域を正確に特定し、最適なポリシーを生成するためにFlow-GANモデルを活用する革新的なアプローチです。