待验证50% 置信事实精确时间
策略函数通常用神经网络参数化，训练时通过模拟序贯测量过程、以EIG为奖励进行策略梯度或Actor-Critic优化。
1
来源数
50%
置信度
长期有效
时效性
2026/11/3
首次发现
来源
强化学习破解单像素成像贝叶斯序贯实验设计难题
rss2026/11/2
涉及实体
相关事实
待验证强化学习阶段给模型设定明确目标函数，行为导向更高得分则对应神经网络权重被强化，可能导致模型涌现出工具性目标（目标泛化问题）76% 相似待验证可训练激活函数的核心思路是把激活函数内部的某些参数纳入梯度下降的优化过程，使网络根据数据自动调整激活函数的形状75% 相似待验证端到端学习的策略网络是指直接从传感器输入映射到执行器输出的深度神经网络，跳过了传统控制中手动设计状态机和控制律的步骤74% 相似已验证奖励模型的训练可使用Bradley-Terry模型等排序学习框架，训练神经网络预测任意两个回答之间的人类偏好概率，接收(prompt, response)对并输出标量分数72% 相似待验证神经符号规划方向尝试用神经网络学习动作模型，同时保留符号规划器的推理结构以兼得两者之长71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1130781API
curl https://kongchang.com/api/v1/knowledge/claims/1130781MCP
get_claim(id=1130781)