跳到主要内容
检索

# 政策学习

4 篇关联报道

订阅更新
  1. arXiv

    训练日志里有、上线时拿不到：运行时混杂下的策略学习有了双重稳健估计与可检验的代价

    部署时拿不到某些关键变量、而训练日志里却完整记录，这种“运行时混杂”会让强化学习策略在时间上逐步偏离。新工作把运行时限制只放进重要性比值的分子，用全量数据估计干扰函数，给出渐近正态且达到半参数效率界的离策略估计，以及相对全信息最优只差一个不可约运行时差距的策略学习遗憾界，并提供一个检验该差距的样本分割方法。

    Johns Hopkins UniversityNew York UniversityCornell University
    Raphael Kim（第一作者）
    强化学习政策学习离线策略评估运行时混杂
  2. arXiv

    多模态文档问答不再一律调用智能体：RouteDRAG只派79.3%的查询走智能体，平均准确率反升3.47个百分点

    多模态长文档问答里，智能体式检索并非每次都划算，额外计算还可能让答案变差。RouteDRAG把是否调用智能体、以及调用后如何执行都变成可学习的选择：它用图索引组织跨页、表格与图像内容，预测智能体相对短路径的收益，并控制工具调用与终止。在两个基准上，它只把79.3%的查询交给智能体，平均准确率比只用短路径高3.47个百分点，同时超过统一走智能体的执行方式且回答调用更少。

    Zhejiang UniversityFudan UniversityChinese Academy of SciencesNational University of Defense TechnologyWestlake University
    Zekai Chen（第一作者）
    RouteDRAG智能体检索增强生成政策学习
  3. arXiv

    招商政策与一人公司互相听得见：中介智能体双向传话，政府综合目标较八基线均值高42.4%

    区域招商政策与一人公司之间多了一条双向反馈通道：一人公司由个人借数字平台与AI智能体运营、可在区域间比较，过去政策端与公司端各按自己的估计行动。PolicyMediator把这条通道做成受认知约束的领导者—多跟随者Stackelberg框架，中介智能体向公司解释已核验的政策以建立认知与信任，再把需求与未解疑虑报回政府用于政策学习。在中国六区域、五类一人公司、五套场景与三种模拟器骨干共15组组合中排名第一，政府综合目标较八个基线均值提高42.4%。

    Northwestern Polytechnical University
    Jie Li（第一作者）
    PolicyMediator双边中介的领导者-多跟随者Stackelberg框架政策学习
  4. arXiv

    指尖动作草稿不再照抄：接触感知控制器把真机遥操作成功率从29.2%提到78.3%

    DexFLEX把上游给出的指尖动作草稿当作意图证据而非待复制轨迹，在真机共享控制中把遥操作成功率从29.2%提升到78.3%，且无需重新训练。

    Weikang Wan（第一作者）
    DexFLEX接触感知基础控制器政策学习

已读完全部报道