arXiv · ML· Ankur Naskar, Vaneet Aggarwal·· 9 小时前AI 评分29
层级多水平蒙特卡洛方法实现平均奖励 CMDP 中神经 Actor-Critic 的顺序最优收敛
Hierarchical Multilevel Monte Carlo for Order-Optimal Neural Actor-Critic in Average-Reward CMDPs
AI 导读
研究提出层级 MLMC 神经 Critic，解决 CMDP 中偏差-成本权衡，实现顺序最优收敛。 算法达到 $\tilde{O}(T^{-1/2})$ 最优性差距与约束违反界，免除对混合时间的依赖。 结果在无约束设置下也具有新颖性，拓展了安全强化学习理论边界。
来源：arXiv · ML · arxiv.org