arXiv · cs.AI· Armaan Sandhu, Abhijeet Sinha, Dianbo Liu·· 5 小时前
MIPS缓解大结果空间强化学习的模式坍塌
MIPS: Mitigating Mode Collapse in Reinforcement Learning for Large Outcome Spaces
arXiv:2610.19457v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Armaan Sandhu, Abhijeet Sinha, Dianbo Liu
研究任务与主要进展
Armaan Sandhu、Abhijeet Sinha和Dianbo Liu提出MIPS，通过结合采样轨迹与学习的结果轨迹模型，缓解大结果空间中基于频率估计IPS导致的模式坍塌。基于论文摘要，在Hypergrids上，MIPS在结果空间相对采样组增大时仍接近奖励分布目标，而频率IPS退化；在分子合成和系统发育推断中，MIPS维持了多样化的高质量采样，GRPO和频率IPS则出现模式坍塌。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org