强化学习离线最优值推断新论文发表

2026年10月30日，Nan Lu等人arXiv发表论文，针对有限状态动作空间的强化学习离线最优值推理，推导了两个基于softmax近似Bellman算子不动点的新nuisance，并通过Neyman正交性构建了无偏估计量。 该估计量在行为策略随时间变化且horizon发散时，只要nuisance统计速率可达，仍具备渐近正态性，具体估计程序可应用于自行车重新部署和AI agent工具使用等现实决策问题。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。