![arxiv：2311.01223v4 [cs.lg] 2024年2月23日](/simg/4/43c28fea9ff05de55c15ddd7d0588dd7ecbb3560.webp)
机构名称：
¥ 1.0
扩散模型在样本质量和训练稳定性方面超过了先前的生成模型。最近的作品表明，扩散模式在改善增强学习（RL）的影响方面具有优势。这项调查旨在概述这个新兴领域，并希望激发新的研究。首先，我们检查了RL算法遇到的几种挑战。然后，我们根据扩散模型在RL中的作用，介绍现有方法的分类法，并探讨如何解决前面的挑战。我们进一步概述了在各种与RL相关任务中扩散模型的成功应用。最后，我们总结了调查，并提供了对未来研究方向的见解。我们正在积极维护论文和其他相关资源的GitHub存储库，以利用RL 1中的扩散模型。
arxiv：2311.01223v4 [cs.lg] 2024年2月23日
主要关键词
![arxiv：2311.01223v4 [cs.lg] 2024年2月23日PDF文件第1页](/bimg/1/161b464fa6e7c4153bc071d300a95ecf290b2365.webp)
![arxiv：2311.01223v4 [cs.lg] 2024年2月23日PDF文件第2页](/bimg/b/b679a6ebeeffee803ddfc5b08e89eb0fa99111b2.webp)
![arxiv：2311.01223v4 [cs.lg] 2024年2月23日PDF文件第3页](/bimg/e/eef1814b88be6c8c7d0895f270892b3f1cb12550.webp)
![arxiv：2311.01223v4 [cs.lg] 2024年2月23日PDF文件第4页](/bimg/4/49826c2594ddc04e515855c1b400c36f67a0be2b.webp)
![arxiv：2311.01223v4 [cs.lg] 2024年2月23日PDF文件第5页](/bimg/7/7afc2fcd096dd4aa6432c68987140a8d18a8d79d.webp)
相关文件推荐
![arxiv：2311.17085v2 [CS.CV] 2024年2月19日](/simg/2/2cef09d2f291e154357cd1d57ca70d2de9f797c6.webp)
![arxiv：2402.14527v1 [cs.lg] 2024年2月22日](/simg/c/c5e7363979a4b34fd46e6bbf66b93e8509e227cb.webp)
![arxiv：2402.10553v1 [cs.ro] 2024年2月16日](/simg/5/50ab6410c1bde83c8f60ce0ddb3b53f53686316b.webp)
![arxiv：2402.06363v1 [cs.cr] 2024年2月9日](/simg/3/3ddec16645db39f41f09cb1eb4c0f25652f964b0.webp)
![arxiv：2402.12702v2 [cs.ai] 2024年2月26日](/simg/3/328419de55ca4015b4bbfa96eb1075dcfec2dfee.webp)
![arxiv：2402.02385v1 [cs.ro] 2024年2月4日](/simg/3/3dc500ee58d3c948d12a92f3b875d2da17092f15.webp)
![arxiv：2410.19363v2 [cs.cv] 2024年12月23日](/simg/6/686e38225a84bacafbcd016080a298d9958cd5fd.webp)
![arxiv：2410.17551v1 [cs.lg] 2024年10月23日](/simg/7/70fc63fcc3ad9d13137d19c4907749c6a3957d30.webp)
![arxiv：2402.08540v1 [cs.lg] 2024年2月13日](/simg/0/0d3c5d21d7ebc6c4f9033fdcaf762fcc6af0e990.webp)
![arxiv：2402.09233v1 [cs.ro] 2024年2月14日](/simg/b/b52ed5719ba2880b07e9631eab06b78b4dd35d30.webp)
![arxiv：2402.13946v2 [cs.lg] 2024年2月26日](/simg/e/e870ca6fb63efd17ae8a07b3968e3146d214b6ab.webp)
![arxiv：2407.02109v2 [cs.cv] 2024年11月23日](/simg/a/ae4d53ed1d1cc0ff7fb46a3f603ec01aff994b63.webp)
![arxiv：2311.12624v3 [cs.lg] 2024年4月10日](/simg/b/b805ed0b9d6754219a9944f320dfe64ccf053ae1.webp)
![arxiv：2402.07016v1 [cs.ai] 2024年2月10日](/simg/9/9561106bbf3c742ff1228e38f3ed355eb69ea4a7.webp)
![arxiv：2307.06770v2 [cond-mat.stat-Mech] 2024年23年2月23日](/simg/3/3773fcca80a585fb74f6778dbac5a51786ee7bd9.webp)
![arxiv：2307.11361v2 [cond-mat.mes-hall] 2024年23年2月23日](/simg/c/c607889e04e3f3954b1ca3cfa9b03dc8aa279039.webp)
![arxiv：2403.00782v1 [q-fin.st] 2024年2月18日](/simg/a/a39f78f6d88f5ca254564d65347ebf6e425e0643.webp)
![arxiv：2503.05760v1 [cs.cy] 2025年2月23日](/simg/7/700225cdbf1934f55a45b081fdaa77e1f2aab80b.webp)
![arxiv：2402.16320v1 [eess.sp] 2024年2月26日](/simg/8/8ab716398e44362a86f7cae4e23ee08b093c5014.webp)
![arxiv：2307.16781v3 [Quant-ph] 2024年2月8日](/simg/f/f74e1ab8372215943c6b20c1c0dae7f4275c1056.webp)
![arxiv：2311.10678V2 [CS.RO] 2024年3月21日](/simg/d/dec77ae97faebdc144858814cd2153c7b85b5b55.webp)
![arxiv：2402.08360v1 [cs.cv] 2024年2月13日](/simg/2/2d78d0b4c73cd9c3f9833e88723c51f5677c71db.webp)
![arxiv：2403.18929v1 [CS.NE] 2024年2月16日](/simg/a/a890579cc2bf33bdaefbe8ccb29a693d2a8a1909.webp)
![arxiv：2402.13326v2 [q-fin.cp] 2024年2月22日](/simg/0/027fe2c7ea4c20179f471443882c53e0ea318b1c.webp)
![arxiv：2305.17033v7 [eess.iv] 2024年5月23日](/simg/a/aefc7f2a4d762f208545fde75765fd6994c9bc44.webp)
![arxiv：2402.07474v1 [Quant-ph] 2024年2月12日](/simg/9/98a13ef7f1aea6494049d553b5beda8e38372c18.webp)