反事实 Shapley 信用分配：区分策略技能与环境运气

论文提出反事实 Shapley 信用分配框架，用因果理论和 Counterfactual Shapley Value（φ-value）将强化学习奖励归因于策略行为，而非环境随机性。作者进一步给出一致估计器，并结合 φ-PPO 与优先轨迹回放，在稀疏因果、高随机性和延迟奖励环境中提升时间信用分配与样本效率。