discriminative-ability

本文指出了连续奖励模型在强化学习中的过度敏感问题，即同等质量的回复被赋予不同的分数，并提出了一种使用蒙特卡洛dropout的离散化技术，以减少这种过度敏感，同时保持区分能力，从而得到更好的策略并减少奖励破解。