研究人员开发了一个新的平均奖励强化学习框架,解决了非混合马尔可夫链带来的挑战。所提出的方法使用与奖励无关的m步混合策略来正则化学习策略的收缩和探索特性。分析为Q学习算法提供了有限时间保证,匹配了单步设置中现有的速率,并推导了m步混合的新速率。该研究还扩展到Q规划变体,表明规划充当时间局部学习,规划范围在边界值偏差和样本复杂度之间取得平衡。 AI
影响 为强化学习引入了新颖的理论框架,可能在平均奖励设置中提高智能体性能。
排序理由 详细介绍强化学习新理论框架和算法的学术论文。 [lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- CatalyzeX
- DagsHub
- Gotit.pub
- Hugging Face
- IArxiv
- Influence Flower
- Markov chain
- Q-learning
- Q-Planning
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →