離線強化學習受到保守主義的主導——安全，但限制了泛化。 在我們的新論文中，我們提出：如果我們放棄它，依賴貝葉斯原則來進行自適應泛化會怎樣？ 令人驚訝的是，長期的回滾——通常在基於模型的強化學習中避免——使其運作。 🧵