离线强化学习
强化学习的一种训练范式，智能体仅利用预先收集的静态数据集进行策略学习，无需与真实环境在线交互，适用于高风险或数据采集成本高昂的场景
时间轴 (近 90 天)
动作离散化中血管升压药和液体的剂量分箱边界会直接影响策略学习的结果，而目前的分箱方式更多是启发式的。
ehr2rl 是一个用 Python 编写的库，用于将 MIMIC-IV 电子病历数据转换为离线强化学习数据集。
在奖励设计中，死亡率是一个稀疏且延迟的奖励，而 SOFA 变化提供更密集的信号，但可能与长期结果不一致。
由于永久死亡机制，Nuzlocke玩家会刻意规避高风险状态，使数据集中的保守策略与Offline RL优化目标天然契合
人类玩家完成Nuzlocke挑战产生的操作序列可作为专家示范数据，用于模仿学习/行为克隆和离线强化学习
离线强化学习通过引入CQL、IQL等约束算法惩罚智能体偏离数据集分布的行为，但代价是探索能力受限
离线强化学习（Offline RL）利用已有历史数据进行训练，避免在线试错的风险
全部知识事实 (7)
动作离散化中血管升压药和液体的剂量分箱边界会直接影响策略学习的结果，而目前的分箱方式更多是启发式的。
50%待验证ehr2rl 是一个用 Python 编写的库，用于将 MIMIC-IV 电子病历数据转换为离线强化学习数据集。
50%待验证在奖励设计中，死亡率是一个稀疏且延迟的奖励，而 SOFA 变化提供更密集的信号，但可能与长期结果不一致。
50%待验证由于永久死亡机制，Nuzlocke玩家会刻意规避高风险状态，使数据集中的保守策略与Offline RL优化目标天然契合
50%待验证人类玩家完成Nuzlocke挑战产生的操作序列可作为专家示范数据，用于模仿学习/行为克隆和离线强化学习
50%待验证离线强化学习通过引入CQL、IQL等约束算法惩罚智能体偏离数据集分布的行为，但代价是探索能力受限
50%待验证离线强化学习（Offline RL）利用已有历史数据进行训练，避免在线试错的风险
50%