arXiv · ML· Guy Zamir, Victor Boone, Matthew Zurek, Yudong Chen·· 21 天前AI 评分28
阶段性强化学习中 Minimax 最优遗憾界
Closing the Log Gap: Minimax-Optimal Regret for Episodic RL
AI 导读
在阶段性表型 MDP 中,新算法首次实现了无额外对数因子的 Minimax 最优期望遗憾界 √(H³SAK)。 该方法基于 UCBVI 变体,采用 MOSS 风格探索奖励,通过占用加权方式控制欠乐观误差传播。 作为推论,该分析还支持了首个在部分场景下匹配最优下界的 PAC 最优策略识别算法。
来源:arXiv · ML · arxiv.org