基于编辑操作措施检测非平稳环境中的模型漂移

强化学习（RL）代理通常假设环境动力学为平稳的。然而，在医疗、机器人和金融等实际应用中，状态-动作转换概率或奖励函数可能演化，导致模型漂移。本文提出一种新框架，通过分析 agent 行为序列的分布性变化来检测此类漂移。具体而言，我们引入一套基于编辑操作的度量措施，用于量化在平稳与扰动条件下生成的状态-动作轨迹之间的偏差。我们的实验表明，这些度量能够有效区分漂移与非漂移情形，即使在不同噪声水平下也能工作，为非平稳 RL 环境中的漂移检测提供了实用工具。