近年来，强化学习(RL)的经验研究取得了越来越多的成功。然而，关于学习能力的许多理论问题并没有得到很好的理解。例如，要学习一个好的策略，需要多少观察?马尔可夫决策过程(MDP)中函数近似在线学习的遗憾之处是什么?从未知行为策略生成的日志历史记录中，我们如何最优地估计新策略的价值?在本次演讲中，我将回顾一些最近研究这些问题的成果，如从生成模型求解MDP的最小轴最优样本复杂性，通过回归的最小轴最优非策略评估，以及使用非参数模型估计的在线RL的遗憾。
成为VIP会员查看完整内容
【35页ppt】On the statistical complexity of reinforcement learning
相关内容
强化学习（RL）是机器学习的一个领域，与软件代理应如何在环境中采取行动以最大化累积奖励的概念有关。除了监督学习和非监督学习外，强化学习是三种基本的机器学习范式之一。
强化学习与监督学习的不同之处在于，不需要呈现带标签的输入/输出对，也不需要显式纠正次优动作。相反，重点是在探索（未知领域）和利用（当前知识）之间找到平衡。
该环境通常以马尔可夫决策过程（MDP）的形式陈述，因为针对这种情况的许多强化学习算法都使用动态编程技术。经典动态规划方法和强化学习算法之间的主要区别在于，后者不假设MDP的确切数学模型，并且针对无法采用精确方法的大型MDP。
Arxiv
4+阅读 · 2018年1月16日
相关VIP内容
相关资讯
相关论文
Arxiv
4+阅读 · 2018年1月16日
微信扫码咨询专知VIP会员