战略

我们都知道自监视进修在 CV 和 NLP 领域都有比较广泛的应用，比如大模型 BERT、GPT-3 等训练，其实最焦点的技术就是鉴于自监视进修的技术。 那么在 CV 和 NLP 领域都取得成功的自监视进修，是否可以被借鉴或是利用到加强进修领域呢？

在这篇论文中，研究者提出了一个在 reward-space 进行探究的新算法 RPG（Reward-Randomized Policy Gradient），并且在存在多个纳什均衡 (Nash Equilibrium, NE) 的挑战性的多智能工作中进行了实验验证，实验结果表明，RPG 的表现显著优于经典的 policy/action-space 探究的算法，并且发现了很多有趣的、人类可以理解的智能…