自然策略梯度算法对无限时间折扣回报马尔可夫决策过程的参数化泛化的样本复杂度改进

BriefGPT - AI 论文速递 ·

该文提出了一种名为ANPG的学习算法，用于解决无限时间折扣奖励马尔可夫决策过程问题。该算法能够在一般参数化情况下实现O(ε^-2)的样本复杂度和O(ε^-1)的迭代复杂度，相比现有技术改进了样本复杂度。

ANPG 学习算法样本复杂度算法迭代复杂度马尔可夫决策过程

原文中文，约400字，阅读约需1分钟。