平均報酬Q学習における新しい収縮原理を用いた$\varepsilon^{-2}$依存性の達成

要約

平均報酬マルコフ決定過程におけるQ学習の収縮性の欠如という課題に対し、本研究は「レイジー化（lazified）」された動態を用いる手法を提案しました。到達可能性の仮定の下で、同期・非同期の両Q学習において最適なサンプル複雑性である$\widetilde{O}(\varepsilon^{-2})$を達成しています。

全文は有料プランで閲覧できます。