标签
一篇提出利用机器学习分类器构建学习型控制变量的论文，旨在降低电动汽车充电负荷罕见电网停电概率估计中的方差。研究表明，提升树模型可消除约60%的方差，并为泗水配电网络的停电日规划提供了改进。
该论文提出了 **Advantage-Based Control Variates（ABC，基于优势的控制变量）**，这是一种将轨迹级控制变量以优势–价值形式表示的方法，适用于带可验证奖励的强化学习；它与 **Direct Advantage Estimation（直接优势估计）** 结合，构成了一套单一的 actor-critic 算法。该算法在数学推理任务上的表现与 GRPO 相当，却只需少得多的在线优化步数。
本文提出了基于可验证奖励的收缩基线方法，用于强化学习领域，以此降低策略梯度估计器的方差并提升训练稳定性。
本文研究了固定置信度下的最佳臂识别问题，其中昂贵的奖励观测与来自生成模型的廉价但相关的代理分数配对。提出了PROBE算法，该算法使用控制变量调整和残差方差的上界证书，以实现接近神谕的样本复杂度。