研究人员开发了一种新颖的强化学习方法，用于非周期性、有限时间范围的马尔可夫决策过程 (MDP)。该方法引入了一种修改后的 Q 函数，将规划限制在 K 步前瞻，并包含一个阈值机制，仅当估计值超过动态阈值时才选择动作。提出了一种高效的表格学习算法，证明了快速有限样本收敛性，并实现了 K=1 时的 minimax 最优常数遗憾，以及 K>=2 时的改进遗憾界限。在合成 MDP 和 JumpRiverswim、FrozenLake 和 AnyTrading 等环境上的实证评估显示，与现有的表格强化学习方法相比，累积奖励更高。 AI
影响 引入了一种新颖的强化学习算法，提高了在有限时间范围、非周期性环境中的样本效率和收敛速度。
排序理由 该集群包含一篇详细介绍强化学习新算法和理论结果的学术论文。[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 →
