研究者提出O2O-LSVI离线到在线RL算法

Shangzhe Li 与 Weitong Zhang 发表论文，提出 O2O-LSVI 算法，用于离线到在线强化学习中的价值自适应，并在通用函数逼近下证明其样本复杂度优于纯在线 RL。该结论依赖特定结构条件。 研究同时给出 minimax 下界：当预训练 Q 函数接近最优时，在线自适应在某些困难实例上仍无法比纯在线 RL 更高效，即改进并非普遍成立。神经网络实验用于验证方法的实际效果。

AI 根据报道生成 · 58 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。