强化学习模型输出全0和全1怎么办？训练上有哪些改善方法？

Question

Accepted Answer

考察点：考察对强化学习策略坍塌问题的识别与训练改进手段。回答思路：能定位输出二值化的原因，如奖励设计或价值估计问题 提出奖励重塑、熵正则、归一化等具体改进 说明探索与利用平衡的策略调整 结合训练稳定性给出可操作的排查与调试建议

考察说明