arXiv 机器学习· Saeed Hedayatian, Harsh Shah, Celine Mneimneh, Stefanos Nikolaidis·2026-10-28 12:00· 5 小时前AI 评分33

面向行为多样化强化学习的排斥性种群策略梯度

Repulsive Population Policy Gradients for Behaviorally Diverse Reinforcement Learning

AI 导读

研究者提出排斥性种群策略优化（RePPO），通过改进 PPO 并引入依赖种群的动态塑形奖励，联合优化兼顾高质量与行为多样性的紧凑策略种群。在像素级任务中，RePPO 在维持与标准 PPO 相当质量的同时显著提升了多样性。该方法还首次将质量-多样性强化学习（QD-RL）成功扩展至大语言模型微调领域。

来源：arXiv 机器学习 · arxiv.org