arXiv · ML· Max Qiushi Lin, Reza Asad, Kevin Tan, Haque Ishfaq, Csaba Szepesvari, Sharan Vaswani·· 13 小时前AI 评分20
线性马尔可夫决策过程中使用参数化策略的乐观Actor-Critic方法
Optimistic Actor-Critic with Parametric Policies for Linear Markov Decision Processes
AI 导读
针对有限时域线性MDP,提出使用参数化对数线性策略的乐观Actor-Critic框架。 算法引入可计算的对数匹配回归目标,并通过Langevin蒙特卡洛实现近似汤普森采样。 证明在on-policy和off-policy设置下样本复杂度分别为 $\widetilde{O}(\epsilon^{-4})$ 和 $\widetilde{O}(\epsilon^{-2})$。
来源:arXiv · ML · arxiv.org