PulseAugur
中
实时 22:10:54
English(EN) PAC Learning in Turn-Based Stochastic Games with Reachability Objectives: A Decentralized Private Approach via Expected Conditional Distance

新的 PAC 学习方法用于具有私有信息的随机博弈

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种新的方法，用于在具有可达性目标的轮流随机博弈 (TBSGs) 中进行 PAC 学习。这项工作引入了一种允许去中心化学习（玩家不共享相同的学习算法）和私有信息学习（不与其他玩家共享）的方法。该研究还提出了期望条件距离 (ECD) 参数的一种博弈论推广，用于衡量到达目标集的时间期望，并建立了多项式样本复杂度界限。 AI

影响 为复杂的博弈论场景引入了新颖的去中心化和私有学习方法，可能推进强化学习能力。

排序理由 这是一篇发表在 arXiv 上的研究论文，详细介绍了一种针对特定类型博弈的 PAC 学习新理论方法。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的 PAC 学习方法用于具有私有信息的随机博弈

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Ali Asadi, Krishnendu Chatterjee, Pavol Kebis ·

    PAC 学习在具有可达性目标的轮流制随机博弈中：通过预期条件距离实现去中心化私有方法

    arXiv:2607.14877v1 Announce Type: new Abstract: Reachability is the most fundamental logical objective, yet it is notoriously difficult to learn in reinforcement learning settings: even for Markov decision processes, PAC learning of reachability is impossible without additional a…

  2. arXiv cs.LG TIER_1 English(EN) · Pavol Kebis ·

    PAC 学习在具有可达性目标的轮流制随机博弈中：通过期望条件距离实现的去中心化私有方法

    Reachability is the most fundamental logical objective, yet it is notoriously difficult to learn in reinforcement learning settings: even for Markov decision processes, PAC learning of reachability is impossible without additional assumptions. This difficulty also holds in turn-b…

相关实体

相关话题