研究者提出约束双层强化学习的近似下层响应方法

Naman Saxena 与 Vaneet Aggarwal 在 arXiv 发布论文（arXiv:2602.00282，2026 年 1 月首次提交，11 月更新 v2），研究约束双层强化学习中下层问题为带一般参数化策略的约束马尔可夫决策过程的情形，此类问题的下层解映射可为集值且不满足 Lipschitz 连续。 作者提出基于固定随机下层算法返回策略定义的“近似响应”上层目标，并通过对下层训练中的奖励与约束值做随机化（不改变均值）得到无偏梯度估计，从而无需对下层更新求导。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。