arXiv · ML· Ankur Naskar, Vaneet Aggarwal·· 14 小时前AI 评分31
基于神经对偶批评者的样本高效通用效用强化学习方法
Sample-Efficient Reinforcement Learning with General Utilities via Neural Dual Critics
AI 导读
研究者提出一种针对凹面强化学习通用效应的自然演员-批评者方法，通过神经网络直接学习伪奖励，并利用多级蒙特卡洛在训练时程间组合输出以控制偏差。 该方法将条件演员偏差与估计器二阶矩分离，在策略转移、对偶稳定性和局部批评者正则性条件下实现O(T^{-1/2})全局收敛，达到O(eps^{-2})采样复杂度。
来源：arXiv · ML · arxiv.org