研究人员开发了用于有限时间范围马尔可夫决策过程(MDP)的离线Q学习的新算法,并结合了 Kullback-Leibler (KL) 正则化。所提出的 KL-regularized Q-Learning (KLQ) 算法在没有显式悲观主义的情况下实现了 \(\widetilde{O}(1/\epsilon)\) 的样本复杂度,尽管对正则化参数和时间范围有指数依赖性。随后的 KL-regularized Pessimistic Q-Learning (KLPQ) 算法保持了相同的收敛率,同时消除了这种依赖性,从而提高了整体样本复杂度。这些发现代表了表格型有限时间范围 KL 正则化 MDP 中离线Q学习的首次快速收敛率保证。 AI
影响 为离线强化学习建立了新的理论基础,有可能提高现实世界顺序决策任务的效率。
排序理由 详细介绍新算法和理论保证的学术论文。 [lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →