从最优策略到个体差异：重新思考用于生物学的强化学习
From Optimal Policies to Individual Differences: Rethinking Reinforcement Learning for Biology
AI总结：
研究指出强化学习虽用于解释生物行为，但存在个体间行为变异性差距，当前模型多呈现单一最佳个体或群体平均。通过研究强化学习各子领域方法，探索利用生物学合理机制产生行为多样性、缩小生物与模拟差距的潜在路径。
AI中文摘要：
强化学习主要作为一种优化控制任务的计算方法为人所知，但越来越多地被用于解释生物行为。虽然强化学习成功捕捉了生物学的关键方面，但仍存在一个主要差距：即个体间行为的变异性。一致的个体差异自然地渗透在生物群体中，然而强化学习模型通常只呈现单一最佳个体或群体平均值。解决这一差距需要超越当前做法，利用生物学上合理的机制来产生行为多样性。在此，我们研究了强化学习各个子领域的方法，并概述了缩小生物学与模拟之间差距的潜在前进路径。
英文摘要：
Reinforcement learning (RL) is primarily known as a computational method for optimizing control tasks, but it is increasingly used to explain biological behavior. While RL successfully captures key aspects of biology, a major gap remains: between-agent behavioral variability. Consistent individual differences naturally permeate biological populations, yet RL models typically present only the single best individual or the population average. Addressing this gap requires moving beyond current practices to generate behavioral diversity using biologically plausible mechanisms. Here, we examine approaches from various subfields of RL and outline potential paths forward to close the gap between biology and simulation.
