倒置强化学习、目标导向的监督学习和在线决策变换器的收敛性与稳定性

本文针对倒置强化学习、目标导向监督学习和在线决策变换器的收敛性与稳定性进行了深入分析，填补了这些算法在理论理解上的不足。研究强调了在特定环境条件下，这些算法如何识别最优解决方案，并探讨了在微小噪声影响下解决方案的稳定性。主要发现表明，当转移核心位于确定性核心的足够小邻域时，可以实现近似最优行为，标志着在强化学习领域的理论基础的初步建立。