基于稀疏性改进离线强化学习的样本复杂度
机器学习
2025-06-30 v2 人工智能
摘要
在本文中，我们研究在离线强化学习（RL）上下文中使用小数据集的可能性。虽然许多常见的离线RL基准使用超过一百万的数据点，但许多离线RL应用依赖显著更小的数据集。我们表明，离线RL算法会在小数据集上过拟合，从而导致性能差。为了解决这一挑战，我们引入了"Sparse-Reg"：一种基于稀疏性的正则化技术，用于缓解离线强化学习中的过拟合，使其在有限数据设置下有效学习，并在连续控制中超越最先进的基准。
引用
@article{arxiv.2506.17155,
title = {Sparse-Reg: Improving Sample Complexity in Offline Reinforcement Learning using Sparsity},
author = {Samin Yeasar Arnob and Scott Fujimoto and Doina Precup},
journal= {arXiv preprint arXiv:2506.17155},
year = {2025}
}