论文页面 - 深度强化学习评估与设计范式的原则性分析

来源：https://huggingface.co/papers/2607.07769

摘要

从利用深度神经网络逼近状态-动作价值函数从而赢得最具挑战性的游戏之一，到算法进步使得无需明确陈述当前挑战规则就能解决问题，过去十年间，强化学习研究一直是卓越科学进步的核心。本文聚焦于这一研究进展的关键要素，并分析了强化学习中的经典评估与设计范式。我们介绍了强化学习中缩放定律的理论基础，并证明了强化学习算法的渐近性能在性能排名与数据体制之间并不存在单调关系。我们进行了大规模实验，结果表明，在经典设计与评估范式下的一系列强化学习研究得出了错误的结论。我们的分析和结果为深度强化学习的缩放、容量和复杂性提供了核心分析。

查看 arXiv 页面 (https://arxiv.org/abs/2607.07769)查看 PDF (https://arxiv.org/pdf/2607.07769)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.07769)

在你的代理中获取此论文：

hf papers read 2607.07769

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型

0

在模型的 README.md 中引用 arxiv.org/abs/2607.07769 以将其从此页面关联。

引用此论文的数据集

0

在数据集的 README.md 中引用 arxiv.org/abs/2607.07769 以将其从此页面关联。

引用此论文的 Spaces

0

在 Space 的 README.md 中引用 arxiv.org/abs/2607.07769 以将其从此页面关联。

包含此论文的收藏

0

将此论文添加到收藏 (https://huggingface.co/new-collection) 以将其从此页面关联。