arXiv 机器学习· Haolin Liu, Chen-Yu Wei, Hanbin Zhou·· 8 小时前AI 评分28
带（聚合）Bandit 反馈对抗性线性 MDP 的计算高效与速率最优算法
A Computationally Efficient and Rate-Optimal Algorithm for Adversarial Linear MDPs with (Aggregate) Bandit Feedback
AI 导读
针对带未知转移、对抗性损失与 Bandit 反馈的分幕式线性 MDP，新算法首次在多项式时间内实现了 $\sqrt{K}$ 最优遗憾界。该方法将其规约为对抗性线性 Bandit，利用近似分离预言机估计未知的策略特征动作集，且仅需聚合损失反馈。这是首个在超出表格形式场景下、支持聚合反馈对抗性 MDP 的多项式时间算法。
来源：arXiv 机器学习 · arxiv.org