非对称On-Policy蒸馏学习上下文内探索

论文针对部分可观测下的序贯决策，提出ASTEROID师生监督学习框架：学生先在部分可观测环境中收集on-policy上下文，特权专家基于该上下文给出动作标签，从而让学生学会系统性地消解部分可观测性、获得测试时探索行为，避免在线RL样本效率低和离线模仿无法学习探索的问题。

AI推荐理由 提出ASTEROID师生监督框架，用特权专家在学生的on-policy历史上下文中标注动作，使学生在部分可观测下学会测试时探索；思路具体但摘要未给出量化结果与任务范围。