📈 现在在 alphaXiv 上趋势 "∆Belief-RL: 长期交互的内在信用分配" 长期交互的强化学习是残酷的，因为奖励稀疏，并且不清楚哪些具体的问题或行动实际上导致了成功，因此代理要么不学习，要么学习脆弱的启发式方法。 为了改善这一点，∆Belief-RL 将“好奇心”转化为一个适当的长期学习信号，通过在每次交互增加其对真实答案的信念时奖励代理，从而提升模型对正确结果的概率。 这为提出正确问题提供了密集的逐步信用分配，因此代理能够更快地学习有效的信息寻求行为，并且能够推广到更长的时间范围和真实任务，如客户服务和个性化，且浪费的交互大大减少。