PulseAugur
中
实时 05:50:26
English(EN) Robust $Q$-learning for mean-field control under Wasserstein uncertainty in common noise

新的 Q 学习算法解决了带 Wasserstein 不确定性的均值场控制问题

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种用于均值场控制问题的鲁棒 Q 学习算法。该算法专门处理公共噪声定律中存在 Wasserstein 不确定性的场景。它结合了量化-投影方案和 Wasserstein 对偶重构，论文为同步和异步学习方法建立了收敛保证和有限时间迭代界限。数值实验证明了该算法在系统性风险和流行病模型上的性能，突显了其对公共噪声误设的鲁棒性。 AI

影响 为复杂的控制问题引入了一种新颖的算法方法，可能影响需要不确定性下鲁棒决策的领域。

排序理由 详细介绍新算法及其理论保证的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的 Q 学习算法解决了带 Wasserstein 不确定性的均值场控制问题

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Kyunghyun Park ·

    具有公共噪声下 Wasserstein 不确定性的鲁棒 Q-学习均场控制

    In this article, we present a robust $Q$-learning algorithm for discrete-time mean-field control problems under Wasserstein uncertainty in the common noise law. The algorithm combines a quantization-and-projection scheme with a Wasserstein dual reformulation on the common-noise s…

相关实体

相关话题