待验证50% 置信事实精确时间

联邦强化学习中多个智能体与同一马尔可夫决策过程交互，通过中心服务器交换信息，共同学习最优的状态-动作价值函数

1

来源数

50%

置信度

长期有效

时效性

2026/10/7

首次发现

来源

对抗鲁棒的联邦Q学习：从不可靠轨迹中学习最优策略

涉及实体

联邦强化学习concept 马尔可夫决策过程concept

相关事实

待验证在多智能体系统中，若训练信号混入其他追求自身指标最大化的智能体产生的人工互动，反馈分布会产生系统性偏移，与机器学习中的数据分布漂移问题相关74% 相似待验证行为克隆存在分布偏移问题，DAgger等改进算法通过让学习中的智能体与专家持续交互来扩充训练数据74% 相似待验证多轮强化学习把智能体在真实环境中的多步交互作为训练信号，依据最终检索结果质量给予奖励73% 相似待验证强化学习需要智能体与环境持续交互,包含大量条件判断、状态转换等控制流操作,这些是CPU擅长而GPU/TPU相对薄弱的领域70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/983264

API

curl https://kongchang.com/api/v1/knowledge/claims/983264

MCP

get_claim(id=983264)