研究人员开发了两种新算法,REP-PD-TEG和REP-PD-H-TEG,用于具有连续状态空间的低秩约束马尔可夫决策过程(CMDPs)中的表示学习。REP-PD-TEG通过最大似然学习转移特征,然后使用乐观的拉格朗日目标进行规划,从而在软累积违规设置下实现最优遗憾界限。对于更严格的硬累积违规,REP-PD-H-TEG采用奖励修正的低置信度效用证书和稳定的对偶搜索,以确保每集的可行性,同时提供遗憾界限和硬违规界限。这些方法代表了首个在低秩连续状态CMDPs方面提供理论保证的方法,同时提供软累积保证和经过认证的硬违规控制。 AI
影响 这些算法在理论理解和实际应用方面推进了强化学习在复杂、受限环境中的应用。
排序理由 该集群包含一篇详细介绍特定类型马尔可夫决策过程新算法的研究论文。[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 →