面向离散动作离线强化学习的流匹配方法

研究者将流匹配扩展到支持离散动作空间的通用框架，用连续时间马尔可夫链替代连续流，并以 Q 加权流匹配目标训练。该方法通过因子化条件路径扩展到多智能体场景，理论上在理想条件下优化该目标可恢复最优策略。实验显示其在多维控制、多智能体博弈和多目标偏好变化等基准上表现稳健，优于传统离线 RL 方法，并可通过动作量化应用于连续控制问题。