基于模型的强化学习方法4大类灌水范式
我们都知道基于模型的强化学习，就是从数据中学一个环境模型。
举个例子，我们要控制一个马达，输入就是电流，输出就是转速。无模型强化学习就是随机采样，然后从数据中直接学习输入到输出的影射，研究重心在如何高效学习。
基于模型的强化学习，希望从输入输出中学习一个马达的状态转移模型，然后智能体和这个模型交互。这里面有什么问题呢？
问题就在于，这个模型一定会有误差。即使用数据去学习一个二次函数，也会有误差。如上图所示。
四大类灌水范式
上面这张图，一张图代表一类灌水范式。
- 第一类：用类似机器学习里面集成学习的方法，去减小这个model-bias；
- 第二类：用元学习的方法，期望策略能搞处理不同情况的model-bias；
- 第三类：希望model-bias对策略的影响要对齐；
- 第四类：这一类和前三类比是比较新的思路：model-bias和最终性能没有直接联系，搞定model-bias并不一定能够带来性能提升，搞定policy搞定一切。这个方向还有待大灌水。
原文：Understanding world models through multi-step pruning policy via reinforcement learning
链接：https://www.sciencedirect.com/science/article/abs/pii/S0020025524012751
PDF链接：https://github.com/tinyzqh/MSPP/blob/master/Understanding%20world%20models%20through%20multi-step%20pruning%20policy%20via%20reinforcement%20learning.pdf