单轨迹平均奖励策略识别算法提出

Tongxi Wang 提出一种针对平均奖励强化学习的算法，能在单条持续轨迹中边学习边决定在哪里收集信息，并给出识别近优策略所需交互次数的上界及与之匹配的信息论下界。 研究称，在足够高的精度下，对一大类环境而言，单轨迹学习在最坏情况下并不比无限制访问状态-动作样本更难。该结论适用于论文所界定的一大类环境，并依赖“足够高的精度”这一条件。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。