POMDP非线性神经强化学习有限时间收敛获理论证明

1. 13:00
   arXiv 机器学习

   POMDP 中神经网络强化学习的有限时间收敛与遗憾保证

   该研究针对部分可观测马尔可夫决策过程（POMDP），首次证明了非线性神经网络强化学习下的有限时间次线性遗憾保证。论文建立了有限状态 MDP 逐点逼近误差界，并在超状态转移上应用 TD 学习给出了神经网络 critic 误差界。结合策略镜像下降框架，该成果克服了以往依赖线性逼近与 i.i.d. 采样的限制，并经数值实验验证。

Current heat 8·Comparable peak 10（Nov 6 14:00）·Comparable change, last 24 hours–

Trends compare only the same parties observed continuously, so the scope can be narrower than current heat counts. Move the pointer or tap the chart to see hourly heat; use the left and right arrow keys on a keyboard.