机构名称：
¥ 1.0
控制在线错误。在线错误是贪婪策略W.R.T.下的当前价值函数的钟声错误。功能。该术语表明该过程中有一个隐式探索：如果当前值函数自行准确，那么我们就完成了；否则，我们将探索。为了束缚这个术语，我们可以在线RL文献中使用任何现有的复杂性度量，以衡量“在结构化的MDP中可以期待多少分发的次数”，例如，Bellman Rank（Jiang et al.，2017年），双线性等级（Du等人，2021），贝尔曼·埃德德（Bellman Eluder）维度（Jin等人，2021）或覆盖范围（Xie等人，2023）。在本说明中，我们以双线性等级为例。
混合RL
主要关键词
相关文件推荐
