标签
一项关于演员-评论家算法在 Starpilot 和 Craftax 环境中的强化学习缩放定律的实证研究，表明基于 Elo 的性能指标比平均回合回报更具可预测性，并通过扩大计算规模在 Craftax 中取得了最先进的结果。
本文比较了四种训练伦理强化学习智能体的方法，在每集违规分布而非平均率上进行评估，并证明了每集保证可以在不影响平均性能的情况下实现。