arXiv · Statistics Machine Learning· Mingyi Li, Taira Tsuchiya·· 3 小时前AI 评分19
对抗性 MDP 策略优化中 horizon gap 的弥合
Closing the Horizon Gap in Policy Optimization for Adversarial MDPs
AI 导读
研究针对带对抗损失与 bandit feedback 的在线 episodic tabular MDP 策略优化，用 regularized Q-functions 联合控制所有 state-action pair 的局部更新稳定性，弥合了与 occupancy-measure 算法相差 horizon H 的 regret 差距。
来源：arXiv · Statistics Machine Learning · arxiv.org