登录

百科

大模型 · 万物互联 · 人工智能的结构化知识库。人人可阅读、可贡献、可追溯。

+ 贡献词条 词条编辑指南

学科分类

大语言模型 强化学习 决策、策略优化、奖励建模与博弈。 多模态与AIGC 智能体Agent 自主规划、工具调用、多智能体与具身/机器人。 万物互联 IoT AI伦理与治理 安全对齐、公平性、隐私、法规与治理。 人工智能基础 AI芯片与算力 AI 加速芯片、集群、算力基础设施与能效。 自然语言处理 AI行业应用 医疗、金融、制造、科研等垂直行业的 AI 落地。 计算机视觉 数据集与基准 训练语料、评测基准与公开数据集。 机器学习 框架与工具 训练/推理框架、向量库、Agent 工具链。 深度学习 知识图谱与推理 知识图谱、符号推理与神经-符号结合。

最新收录

稀疏奖励 概念

稀疏奖励指任务只在极少数时刻（如成功）给出非零奖励，使随机探索几乎学不到东西，是 RL 的重大挑战，对策有奖励塑造、课程学习、内在奖励与分层 RL。

EN：Sparse Reward 2026-08-23

奖励塑造 技术

奖励塑造通过加入辅助奖励（势能函数）引导智能体，缓解稀疏奖励，Ng 等（1999）证明势能塑造不改变最优策略，是加速 RL 收敛的常用工程技巧。

EN：Reward Shaping 2026-08-23

RLHF 技术

RLHF 用人类偏好数据训练奖励模型，再以强化学习（PPO）优化语言模型策略，使模型回答有用、真实、无害，是 ChatGPT、Claude 等对话模型对齐的核心技术。

EN：Reinforcement Learning from Human Feedback 2026-08-23

奖励模型 技术

奖励模型（RM）学习对模型输出打分的偏好函数，用人类比较数据训练（Elo/对比损失），是 RLHF 的核心组件，用于替代不可微的人类偏好。

EN：Reward Model 2026-08-23

无模型强化学习 概念

无模型 RL 不显式学习环境动力学，直接从交互数据学习价值/策略（Q-learning、PPO、SAC），通用性强、实现简单，但样本效率低于基于模型方法。

EN：Model-Free Reinforcement Learning 2026-08-23

基于模型的强化学习 技术

基于模型的 RL 先学习环境动力学模型（状态转移），再在其中规划/生成虚拟经验训练策略，样本效率远高于无模型方法，代表 MuZero、Dreamer、PETS。

EN：Model-Based Reinforcement Learning 2026-08-23

逆强化学习 技术

逆强化学习（IRL）从专家行为反推其隐含的奖励函数，解决「奖励难定义」问题，最大熵 IRL 与深度 IRL 是代表，与 RL 配合实现「从示范学目标」。

EN：Inverse Reinforcement Learning 2026-08-23

模仿学习 技术

模仿学习让智能体从专家示范中学习策略，避免手工奖励设计，行为克隆（BC）与逆强化学习（IRL）是两大路线，广泛用于机器人、自动驾驶与对话策略。

EN：Imitation Learning 2026-08-23

折扣因子 概念

折扣因子 γ∈[0,1) 权衡即时与未来奖励（γ 越大越远视），保证无限时域回报收敛，是 MDP 与 RL 目标函数 G_t=Σγ^k r 的关键参数。

EN：Discount Factor 2026-08-23

ε-贪心 技术

ε-贪心是简单有效的探索策略：以 ε 概率随机选动作、以 1−ε 概率选当前最优，ε 通常随时间衰减，是多臂老虎机与 RL 的基础探索基线。

EN：Epsilon-Greedy 2026-08-23

多臂老虎机 技术

多臂老虎机（MAB）是探索-利用权衡的简化模型：K 个未知奖励分布的动作臂，每次选一个获取奖励，目标是遗憾最小化，是推荐与实验设计的理论基础。

EN：Multi-Armed Bandit 2026-08-23

探索与利用 概念

探索与利用是强化学习的核心权衡：探索尝试未知动作以获更优长期回报，利用选择当前最优；ε-贪心、UCB、汤普森采样与熵正则化是主要平衡策略。

EN：Exploration vs Exploitation 2026-08-23

蒙特卡洛方法 技术

蒙特卡洛方法用大量随机采样（完整回合）估计期望值，在 RL 中用于估计价值与策略评估（MC 预测），无偏但方差大、需回合结束，与 TD 互补。

EN：Monte Carlo Methods 2026-08-23

时序差分学习 技术

时序差分学习（TD）用「当前奖励 + 估计的未来价值」更新当前价值，无需等待回合结束，是 Q-learning、SARSA、DQN 的底层机制，介于蒙特卡洛与动态规划之间。

EN：Temporal Difference Learning 2026-08-23

TD3 技术

TD3 通过「双 Q 取小 + 延迟策略更新 + 目标策略平滑」修复 DDPG 的过高估计问题，是连续控制最稳健的确定性算法之一（2018）。

EN：Twin Delayed Deep Deterministic Policy Gradient 2026-08-23

A

B

C

D

E

F

G

H

I

J

K

L

M

N

O

P

Q

R

S

T

U

V

W

X

Y

Z

#

0.1127s