occupancy measure

新的MDP决策导向学习方法可降低遗憾值和计算成本

研究人员开发了一种新的马尔可夫决策过程（MDP）决策导向学习（DFL）方法，解决了现有方法的扩展性限制。通过将MDP重新表述为基于占用测度的线性规划（LP），该新技术推导出了闭式梯度，并使用增强拉格朗日代理和随机行草图来处理不连续梯度和大状态空间。与之前的基于KKT的DFL和两阶段基线相比，该方法在各种任务中实现了更低的遗憾值和显著降低的计算成本。