O2O-LSVI：离线到在线价值适应算法

Shangzhe Li 与 Weitong Zhang 提出 O2O-LSVI 算法，用于通用函数逼近下离线到在线强化学习的价值自适应。该研究证明，即使预训练 Q 函数接近最优 Q*，在某些困难实例上在线自适应效率也无法超过纯在线 RL；而在离线预训练价值函数满足一项新结构条件时，O2O-LSVI 具有问题相关样本复杂度，可证明优于纯在线 RL。 神经网络实验验证了该算法的实际有效性。上述结论来自作者在论文中的表述。

AI 根据报道生成 · 54 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。