抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
バイシミュレーションメトリックは,報酬シーケンスの比較に基づくMarkov決定プロセス(MDP)の状態間の距離測度を定義する。この特性により,それらは価値関数近似(VFA)における理論的保証を提供する。本研究では,まず,バイシミュレーションおよびπ-バイシミュレーションメトリックスを,最近の研究で使用された様々な状態類似性メトリックを統一する,より一般的なクラスのSinkorn距離により定義できることを証明した。次に,著者らは,VFAのために状態空間のバイシミュレーションベースの離散化を使用する近似的政策反復(API)手順を記述して,漸近性能限界を証明した。次に,著者らは,政策自体の変化に関して,π-biシミュレーション計量の間の差異を結合した。これらの結果に基づいて,保存的ポリシー更新を採用し,ナイーブAPIアプローチよりも優れた性能限界を楽しむAPI(α)手順を設計した。ここでは,そのようなAPI手順が,状態表現学習のためのバイシミュレーションメトリックを用いる実用的アクター-批評法にいかにマップするかを議論した。最後に,著者らの理論的結果を検証し,有限MDPsのためのバイシミュレーションベースのAPIの実装に基づく制御された経験的解析によって,それらの実用的含意を調べた。【JST・京大機械翻訳】