摘要：
采用 policy iteration 框架，① policy evaluation 普通更新 Q function，② policy update 使用 AWR 式更新，③ 前两步的采样数据集都是 offline + online。 阅读全文
摘要：
对于 policy improvement，maximize Q(s, π(s)) ，同时约束 π 与一个 prior policy 的 KL 散度，prior policy 用 advantage 非负的 offline 状态转移计算。 阅读全文
摘要：
OpenReview 检索关键词：ICLR 2024、reinforcement learning、preference、human feedback。 阅读全文
摘要：
因为自己实在是太好忘了💀 所以在博客存档方便查找 阅读全文
摘要：
为了帮助你更好地理解 Nested Partition 算法，我为你生成了一首诗，用比喻的方式描述了这种算法的过程。希望这对你有所帮助。😊 阅读全文
摘要：
如果没有质量更好的第二季，宁愿它就这样停在第一季；已经很好了，已经很完美了。 阅读全文
摘要：
critic loss = ① ID 数据的 TD-error + ② OOD 数据的伪 TD-error，① 对所转移去的 (s',a') 的 uncertainty 进行惩罚，② 对 (s, a_ood) 的 uncertainty 进行惩罚。 阅读全文
摘要：
Query-Policy Misalignment：选择的看似 informative 的 query，实际上可能与 RL agent 的兴趣不一致，因此对 policy learning 帮助很小，最终导致 feedback-efficiency 低下。 阅读全文
摘要：
贡献：提出一种生成非理性（模拟人类）preference 的方法，使用多样化的 preference，评测 PBRL 各环节算法设计（select informative queries、feedback schedule）的效果。 阅读全文
摘要：
非常感谢！去写作业了🙏🏻 阅读全文
摘要：
① 使用 VAE 建模 offline dataset 的 π(a|s)，② 添加一个可以学习的 action 扰动 ξ，③ 用 (s, a=π(s)+ξ, r, s') 做 Q-learning。 阅读全文
摘要：
一篇知乎 TRPO 博客，感觉 idea 讲的很清楚，特来搬运。 阅读全文
摘要：
① 通过 (s,a,r,s',a') 更新 Q function，② 通过 Q 和 V 交替迭代，避免过拟合 s'~p(s'|a) 的随机好 s'，误以为 a 是好 action，③ 通过 AWR 从 advantage 提取 policy。 阅读全文
摘要：
① 在 actor 最大化 Q advantage 时，纳入一个 behavior cloning loss； ② observation 归一化；③ 让 Q advantage 跟 behavior cloning 的 loss 可比。 阅读全文
摘要：
感觉讲的非常好，谢谢善良的博主 😊🙏🏻 阅读全文
摘要：
仅仅留下了一些印象，并没有看懂具体算法…… 如果需要重读这篇论文，会 refine 这篇阅读笔记的。 阅读全文
摘要：
发现对于很多任务，（只要给出专家轨迹），将 reward 设为 0 或随机数，也能学出很好 policy，证明这些任务不适合用来评测 reward learning 的性能好坏。 阅读全文
摘要：
① 将 high-confidence 的预测 (σ0, σ1) 标上 pseudo-label；② 将 labeled segment pair 进行时序剪裁，得到更多数据增强的 labeled pair。 阅读全文
摘要：
写伪逆矩阵计算代码，是专业课作业 2333，挑了两个好实现的算法写一下。 阅读全文
摘要：
reward model 对某 (s,a) 的不确定性，由一系列 ensemble reward models 的输出结果方差的度量，直接乘一个超参数，作为 intrinsic reward 的一部分。 阅读全文
摘要：
① 使用熵 intrinsic reward 的 agent pre-training，② 选择尽可能 informative 的 queries 去获取 preference，③ 使用更新后的 reward model 对 replay buffer 进行 relabel。 阅读全文
摘要：
把 OOD 的 Q 函数值拉低，ID 的 Q 函数值拉高，因此倾向于选择原来数据集里有的 ID 的 action。 阅读全文
摘要：
sup inf ≤ inf sup，证明关键： inf_w f(w,z) 是 f(w0,z) 逐点下界，对于任意 w0。 阅读全文
摘要：
满秩分解的计算方法，居然意外的简单。 阅读全文
摘要：
1. Policy Evaluation 会收敛，因为贝尔曼算子是压缩映射；2. Policy Improvement 有策略性能改进的保证。 阅读全文
摘要：
Cholesky 分解是 LU 分解（三角分解）的特殊形式，n 阶实对称正定矩阵 A = LL^T，其中 L 为下三角；搬运外网的代码，非原创。 阅读全文
摘要：
贝尔曼算子 BV = max[r(s,a) + γV(s')] 是压缩映射，因此 {V, BV, B²V, ...} 是柯西序列，会收敛到 V=BV 的不动点。 阅读全文
摘要：
代码存档：先写一个 python 的 ssh 连接，再在 ssh 连接里面连 SQL。 阅读全文
摘要：
在 typora 中使用 mermaid，实现简单的 markdown 画图。 阅读全文
摘要：
感谢学姐的口述讲授 🌹
（学姐貌似很厉害，发了很多 ccf-a） 阅读全文
摘要：
MySQL 配置 + python 连接 SQL 的简洁教程（以及 SQL server 貌似不太好用） 阅读全文
摘要：
20230726 改革托福题型后，题目更少、考试更轻松了，但容错率也随之降低… 阅读全文
摘要：
1. 先判断题型，2. 跳过读题干 or 细读题干。如果细读题干，请务必认真读题干！ 阅读全文
摘要：
当时背了好几篇范文，写作文时把这些 fancy 句子一通缝合，果然可以得高分🤣 阅读全文
摘要：
零零散散的经验，存下来方便查阅。 阅读全文