单轨迹平均奖励强化学习算法提出

研究者 Tongxi Wang 等人提出一种平均奖励强化学习算法，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。作者称，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。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。