行動誘導ミラープロックス時間差分学習による高速オフポリシー予測

ニュース概要

勾配時間差分法はオフポリシー予測の安定性を提供しますが、補助変数メトリックスが誘導する幾何学的性質により実用的なパフォーマンスが大きく影響を受けます。既存のミラープロックスTD法は通常、特徴共分散メトリックスを使用していますが...