When Outcome Looks Right But Discipline Fails: Trace-Based Evaluation Under Hidden Competitor State

En 3 lignesArticle proposant une évaluation basée sur les traces pour détecter quand un agent atteint ses KPI économiques mais viole les contraintes comportementales. Dans un cadre de tarification hôtelière avec état concurrent caché, les auteurs montrent que PPO seul échoue à préserver l'alignement avec le comportement de référence, tandis que le clonage comportemental et une RL avec historique préalable réussissent mieux.

Résumé généré par Claude — vérifié par l'humain