
本文提出了一種名為「穩健決策導向模型強化學習」（RDF-MBRL）的新方法，旨在解決模型強化學習在面對不同獎勵函數時表現不佳的問題。RDF-MBRL 通過利用決策導向模型的非唯一性，學習一個在不同獎勵偏好下都能表現良好的簡單模型，從而在學習階段和部署階段都能保持高回報。


coremsg

基於決策的模型強化學習-實現獎勵轉移的穩健方法


基於決策的模型強化學習：實現獎勵轉移的穩健方法


title_rewrite


本文提出了一種名為均方雙冪變異誤差 (MSBVE) 的新演算法，用於解決在具有跳躍的連續時間設定下估計值函數的挑戰，特別是在狀態動態由具有跳躍分量的隨機微分方程 (SDE) 控制的情況下。


基於擴散模型的跳躍數據魯棒強化學習


本文提出了一種名為「行動者-物理學家」(AP) 的新型強化學習方法，用於控制粒子在湍流中的游動，並證明其在控制粒子動力學方面優於標準強化學習方法。


基於物理的行動者-物理學家強化學習-用於在湍流中游泳


基於物理的行動者-物理學家強化學習，用於在湍流中游泳



本文提出了一種名為「觀察約束馬可夫決策過程」（OCMDP）的新方法，用於在觀察成本高昂的環境中，學習最佳的觀察和控制策略，並在模擬醫療診斷任務和真實醫療保健環境中驗證了其有效性。


基於觀察約束的馬可夫決策過程-ocmdp-


基於觀察約束的馬可夫決策過程 (OCMDP)



在不確定的環境中，人類會根據感知不確定性動態調整獎賞學習率，並且在經濟決策過程中，除了預期價值外，視覺顯著性也會發揮作用。


Perceptual uncertainty and salience both impact decision-making, but how these factors precisely impact trial-and-error reinforcement learning is not well understood. Here, we test the hypotheses that (H1) perceptual uncertainty modulates reward-based learning and that (H2) economic decision-making is driven by the value and the salience of sensory information. For this, we combined computational modeling with a perceptual uncertainty-augmented reward-learning task in a human behavioral experiment ( N = 98). In line with our hypotheses, we found that subjects regulated learning behavior in response to the uncertainty with which they could distinguish choice options based on sensory information (belief state), in addition to the errors they made in predicting outcomes. Moreover, subjects considered a combination of expected values and sensory salience for economic decision-making. Taken together, this shows that perceptual and economic decision-making are closely intertwined and share a common basis for behavior in the real world.

### Competing Interest Statement

The authors have declared no competing interest.

Adaptive Integration of Perceptual and Reward Information in an Uncertain World

不確定環境下感知與獎賞資訊的適應性整合


本文提出了一種名為 OOPE 的新型演算法，用於解決具有未知轉移和對抗性獎勵的線性混合 MDP 問題，該演算法結合了基於佔用度量和基於策略方法的優點，實現了近似最優的動態遺憾值。


針對對抗性線性混合-mdp-的近似最優動態遺憾值


針對對抗性線性混合 MDP 的近似最優動態遺憾值



本文提出了一種名為 TADPoLe（基於文字感知擴散模型的策略學習）的新方法，該方法利用預先訓練好的文字轉圖像或文字轉影片擴散模型，為強化學習策略提供密集的文字條件獎勵信號，從而實現零樣本學習，並鼓勵代理學習更自然的行為。


基於文字感知擴散模型的策略學習


後見經驗回放 (HER) 可以通過重新採樣目標來加速近端策略優化 (PPO) 等策略學習算法，即使 HER 違反了策略學習算法的假設。


後見經驗回放加速近端策略優化


在代理狀態不滿足馬可夫性質的部分可觀察馬可夫決策過程 (POMDP) 中，非固定策略，特別是週期性策略，可以優於固定策略。


基於週期性代理狀態的-pomdp-q-學習演算法-超越固定策略的學習方法


基於週期性代理狀態的 POMDP Q-學習演算法：超越固定策略的學習方法



本文提出了一種名為 ZoRL 的新型強化學習算法，用於解決具有連續狀態-動作空間的平均獎勵馬可夫決策過程。ZoRL 採用自適應離散化技術和樂觀原則，實現了對狀態-動作空間的「縮放」能力，並在理論上證明了其遺憾值與縮放維度 dz 的關係。


針對度量空間的可證明自適應平均獎勵強化學習