We study methods based on reproducing kernel Hilbert spaces for estimating the value function of an infinite-horizon discounted Markov reward process (MRP). We study a regularized form of the kernel least-squares temporal difference (LSTD) estimate; in the population limit of infinite data, it corresponds to the fixed point of a projected Bellman operator defined by the associated reproducing kernel Hilbert space. The estimator itself is obtained by computing the projected fixed point induced by a regularized version of the empirical operator; due to the underlying kernel structure, this reduces to solving a linear system involving kernel matrices. We analyze the error of this estimate in the $L^2(\mu)$-norm, where $\mu$ denotes the stationary distribution of the underlying Markov chain. Our analysis imposes no assumptions on the transition operator of the Markov chain, but rather only conditions on the reward function and population-level kernel LSTD solutions. We use empirical process theory techniques to derive a non-asymptotic upper bound on the error with explicit dependence on the eigenvalues of the associated kernel operator, as well as the instance-dependent variance of the Bellman residual error. In addition, we prove minimax lower bounds over sub-classes of MRPs, which shows that our rate is optimal in terms of the sample size $n$ and the effective horizon $H = (1 - \gamma)^{-1}$. Whereas existing worst-case theory predicts cubic scaling ($H^3$) in the effective horizon, our theory reveals that there is in fact a much wider range of scalings, depending on the kernel, the stationary distribution, and the variance of the Bellman residual error. Notably, it is only parametric and near-parametric problems that can ever achieve the worst-case cubic scaling.
翻译:我们研究的是基于复制内核希尔伯特空间的方法,以估算无限正价贴现的Markov奖赏进程(MRP)的价值函数。我们研究的是一种常规化的最小平方平方平面时间差(LSTD)估计;在无限数据的人口限度中,它与相关复制内核希尔伯特空间定义的预测Bellman操作员的固定点相对应。通过计算经验型操作员的正常版本所引发的预测固定点,由于内部内核结构,这将降低到解决一个包含内核基基矩阵的线性系统。我们分析了美元平方平方平方平方平面(LSTD)中这一估计的错误。我们的分析并未对Markov 空间的过渡操作员设定任何假设,但只是通过计算奖励功能和人口级内基内核LSTD解决方案产生的条件。我们使用实验性理论技术来得出一个非默认性的上限值,涉及内核基基质基质基质矩阵。我们分析这个数值差值的理论值的理论值错误,对美元平面平面平面平面平面平面平面的理论3,我们直方平面平面平方平面平面平面平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平方平