可靠策略迭代：跨架构与环境扰动的性能鲁棒性
人工智能
2025-12-16 v1 机器学习
摘要
在近期工作中，我们提出了可靠策略迭代（RPI），将策略迭代的价值估计单调性恢复到了函数逼近设置中。在此，我们评估了 RPI 在两个经典控制任务——CartPole 和倒立摆——上的经验性能在神经网络和环境参数变化下的鲁棒性。与 DQN、Double DQN、DDPG、TD3 和 PPO 相比，RPI 在训练早期即达到近最优性能，并在训练持续过程中保持该策略。由于深度强化学习方法常常受到样本效率低、训练不稳定和超参数敏感性高的困扰，我们的结果凸显了 RPI 作为更可靠替代方案的前景。
引用
@article{arxiv.2512.12088,
title = {Reliable Policy Iteration: Performance Robustness Across Architecture and Environment Perturbations},
author = {S. R. Eshwar and Aniruddha Mukherjee and Kintan Saha and Krishna Agarwal and Gugan Thoppe and Aditya Gopalan and Gal Dalal},
journal= {arXiv preprint arXiv:2512.12088},
year = {2025}
}