Το CoDrift προτείνει πεδία δράσης σύνθεσης για ενισχυτική μάθηση εκτός σύνδεσης
Μια νέα προεκτύπωση arXiv εισάγει το CoDrift, ένα πλαίσιο πολιτικής δημιουργίας ενός βήματος που συνδυάζει τη συμβατότητα συμπεριφοράς και τους στόχους αναζήτησης αξίας για την ενισχυτική μάθηση εκτός σύνδεσης. Οι συγγραφείς αναφέρουν την καλύτερη μέση κατάταξη σε 73 εργασίες OGBench και D4RL τόσο σε ρυθμίσεις εκτός σύνδεσης όσο και σε ρυθμίσεις εκτός σύνδεσης.