オフラインの強化学習は保守主義が支配的で、安全だが一般化は制限的です。 私たちの新しい論文では、もしこれをやめてベイズ原理に適応的一般化に頼ったらどうなるのか、という問いを投げかけます。 驚くべきことに、モデルベースの強化学習では通常避けられる長期的な展開が機能しています。🧵