Generalized Policy Improvement

新方法统一了强化学习在奖励和动力学上的泛化能力

研究人员引入了鲁棒后继特征，这是一种新颖的方法，它统一了强化学习在奖励函数和转移核上的泛化能力。该方法在线性马尔可夫决策过程中特别有效，尤其是在转移核不确定的情况下。这项工作为广义策略改进提供了理论界限，量化了由于转移核不匹配导致的性能下降，并在动力学一致时恢复了现有的后继特征保证。这些鲁棒后继特征的有效性已在基于网格的基准测试中得到证明，其性能优于先前仅处理奖励或转移泛化问题的方法。