因数分解平均報酬MDPにおける改良型探索【JST・京大機械翻訳】

Talebi Mohammad Sadegh; Jonsson Anders; Maillard Odalric-Ambrym

プレプリント

J-GLOBAL ID：202202207348510027 整理番号：21P0048075

因数分解平均報酬MDPにおける改良型探索【JST・京大機械翻訳】

Improved Exploration in Factored Average-Reward MDPs

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2020年09月09日プレプリントサーバーでの情報更新日： 2021年03月11日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

未知因子Markov決定プロセス(FMDP)における平均報酬基準の下でのレグレット最小化タスクを考察した。より具体的には,状態行動空間Xと状態空間SがX=.x._i=1 ̄nX_iとS=.x._i=1 ̄mS_iのそれぞれの因子形を付加するFMDPを考察し,遷移と報酬関数は既知の因数分解構造を仮定してXとSに因数され,それは遷移関数の個々の要素に対して定義されたBernstein型信頼集合に依存する,DBN-UCRLと呼ばれる一般的UCRL2戦略に触発された新しいレグレット最小化戦略を導入した。一般的な因数分解構造に対して,DBN-UCRLは,S_iのサイズおよび関連する直径関連項に対する依存性に関して,既存のレグレット限界よりも厳密に改善するレグレット境界を達成することを示した。さらに,因数分解構造がいくつかの基底MDPのデカルト積に対応するとき,DBN-UCRLのレグレットは,ベースMDPのレグレットの合計によって上限されることを示す。標準的な環境に関する数値実験を通して,DBN-UCRLは,頻繁なレグレット保証を持つ既存のアルゴリズムに対して経験的にレグレットを大幅に改善することを示した。【JST・京大機械翻訳】

, ,
, , , 【Automatic Indexing@JST】

人工知能 , 数値計算

, , ,

前のページに戻る