平均奖励强化学习：从单条持续轨迹中识别近最优策略

针对平均奖励强化学习，研究者提出一种算法，能在单条持续轨迹中边学习边决定信息采集位置，并给出识别近最优策略所需交互次数的上界。研究进一步证明匹配的信息论下界：在广泛环境类别和足够高精度下，单轨迹学习的最坏情况难度不高于可自由采样状态-动作对的学习。结果表明，通过让信息采集需求适配环境提供信息的方式，可避免导航带来的额外复杂度成本。