LEMUR：从多人偏好反馈学习多目标策略的框架

Manith Adikari 等发布 arXiv v2 论文，提出 LEMUR 框架，让智能体从多位人类的偏好反馈中交互学习，联合训练多目标最优策略和各目标专属的奖励模型，用于在没有预定义奖励函数时平衡相互冲突的目标。 论文摘要称，在多种多目标基准任务上的实验结果显示其优于基线方法；具体实验设置和结果细节未在材料中说明。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。