研究人员为对抗性马尔可夫决策过程 (MDP) 和上下文老虎机中的策略优化开发了新算法。对于对抗性 MDP,一种利用稳定性匹配奖励的新颖方法 VOPO,在遗憾界限上比先前方法提高了 $\sqrt{S/H}$ 和 $\sqrt{H^3}$ 的因子。在上下文老虎机领域,一种新的 Oracle-高效算法通过采用具有拉普拉斯噪声的策略分数扰动,实现了近乎最优的遗憾率,改进了先前依赖于时间范围的界限。 AI
影响 这些在策略优化和遗憾最小化方面的进展可能导致在复杂、动态环境中更高效、更鲁棒的 AI 代理。
排序理由 该集群包含两篇学术论文,详细介绍了机器学习研究领域(对抗性 MDP 和上下文老虎机)的新算法和理论改进。
在 Hugging Face Daily Papers 阅读 →
- Contextual Bandits
- Hugging Face
- Laplace
- Poisson
- SGD
- alphaXiv
- arXiv
- CatalyzeX Code Finder for Papers
- CORE Recommender
- DagsHub
- Gotit.pub
- IArxiv Recommender
- Influence Flower
- ScienceCast
- Small And Medium Businesses
- Stability-Matching Bonus
- Vopo
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →