GSBR：面向在线强化学习的几何支撑行为正则化

GSBR 提出一种面向在线强化学习的几何支撑行为正则化方法，按动作到基策略支撑集的距离施加惩罚。基策略通常是在大规模多样数据上经模仿学习训练的扩散或流匹配模型，能覆盖许多合理但次优的行为；现有行为克隆正则会把 actor 拉向完整基策略分布，硬支撑约束又禁止支撑集之外的改进。GSBR 对支撑集内的动作不惩罚，使 actor 可集中于高价值模式；支撑集外则随距离平滑增大惩罚，当价值增益超过惩罚时仍允许改进。