arxiv：2110.03580v2 [cs.lg] 2024年12月30日__

arxiv：2110.03580v2 [cs.lg] 2024年12月30日

可下载资源数量

已经购买

下载数量：1

单价	0 5.0
Coupon	100% 0%
Total	0 5.0

点击下载点击购买并下载

点击购买，资源将自动在新窗口打开.

机构名称：

arxiv：2110.03580v2 [cs.lg] 2024年12月30日

¥ 5.0

热度

强化学习（RL）研究代理如何在未知环境中以奖励反馈来表现。环境通常被建模为马尔可夫决策过程（MDP）。在标准设置中，假定MDP是静态的，即，随着时间的推移，状态过渡内核和瞬时奖励函数仍保持固定。在这个假设下，具有强大理论保证的众多综合和统计上有效的算法已得到发展（Jaksch等人。，2010年； Lattimore和Hutter，2012年； Dann and Brunskill，2015年； Azar等。，2017年； Jin等。，2018，2020b）。但是，即使腐败仅限于一小部分回合，这些保证也可能会完全破裂。为了模拟MDP中的对抗性损坏，已经对一个称为对抗MDP的框架进行了敏锐的研究。在对抗性MDP中，允许对手在每回合中任意选择奖励功能，同时保持过渡内核固定（Neu等人。，2010b，a; Dick等。，2014年； Rosenberg and Mansour，2019年，2021年； Jin等。，2020a; Neu和Olkhovskaya，2020年； Lee等。，2020年； Chen and Luo，2021年；他等人。，2021; Luo等。，2021）。在此框架下，可以建立强大的次线性遗憾界限，这几乎与固定的奖励案例相匹配。值得注意的是，Jin和Luo（2020）； Jin等。（2021b）开发了在对抗奖励案例中实现近距离限制的算法，同时在静态案例中保留了依赖实例依赖的界限，这表明几乎可以在没有价格的情况下处理对抗奖励。

添加pdf代下载 VIP点击下载文件