O2O:Improving TD3-BC: Relaxed Policy Constraint for Offline Learning and Stable Online Fine-Tuning

改进的TD3-BC算法:离线到在线的稳定性能优化

3rd Offline Reinforcement Learning Workshop at Neural Information Processing Systems, 2022.
paper

Intro

通过对TD3-BC 中的BC正则化项系数进行调整,使得算法在实现O2O时有更好的表现。

Method

Offline

对于离线阶段的TD3+BC,策略优化目标为:
π = arg ⁡ max ⁡ π E ( s , a ) ∼ D [ Q ( s , π ( s ) ) ⏟ R L − α ( π ( s ) − a ) 2 ⏟ B C ] . \pi=\arg\max_{\pi}\mathbb{E}_{(s,a)\sim D}\Big[\underbrace{Q(s,\pi(s))}_{RL}-\alpha\underbrace{(\pi(s)-a)^2}_{BC}\Big]. π=argπmaxE(s,a)D[RL Q(s,π(s))αBC

评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值