2025_NIPS_Supervised Pretraining Can Learn In-Context Reinforcement Learning

文章核心总结

本文提出决策预训练Transformer（DPT），通过监督预训练让Transformer基于上下文交互数据集预测最优动作，实现上下文强化学习（RL）能力。DPT无需参数更新即可在新任务中完成在线探索与离线保守决策，理论上等价于贝叶斯后验采样，且能泛化到新任务、利用潜在结构超越预训练数据性能。

核心创新点

1. 简洁的监督预训练目标：仅训练模型预测“上下文数据集+查询状态”对应的最优动作，无需显式训练探索或保守策略，自然涌现出相关能力。
2. 在线/离线双场景适配：在线场景中从空数据集起步，通过交互填充数据并逐步优化决策；离线场景中直接利用静态数据集做保守决策，性能比肩经典算法。
3. 泛化与结构利用能力：能适配预训练分布外的奖励、动态和任务，还可从次优预训练数据中挖掘潜在结构（如线性奖励），实现比生成预训练数据的算法更优的性能。
4. 理论等价性突破：证明DPT等价于贝叶斯后验采样（PS），解决了PS计算复杂的痛点，为可扩展、样本高效的RL提供新路径。

---

翻译部分（Markdown格式）

Abstract

大型Transformer模型在多样化数据集上训练后，展现出卓越的上下文学习能力，即便未针对特定任务显式训练，也能实现优异的少样本性能。本文研究T