ReShap：高维多动作设置的可解释强化学习

原文：ReShap: Interpretable Reinforcement Learning for High-Dimensional Multi-Action Settings

深度强化学习（RL）在处理复杂任务中发挥着至关重要的作用，但它对深度神经网络的依赖使得学习的策略变得不透明。为了增强强化学习策略的可信度，现有工作（例如，SILVER 框架 [Li et al., 2025]）重点关注基于 Shapley 的可解释性，但通常仅限于低维状态空间、二元动作设置和

正文由本站服务器抓取保存（已自动过滤广告、推荐位与追踪图片），排版与原站可能不同；版权归原站所有。