AI এবং বিশ্বের কঠিন সমস্যাগুলো · তাত্ত্বিক কম্পিউটার বিজ্ঞান · arXiv · 2026-10-21

PhiBE-Q-Learning: অফ-পলিসি রিইনফোর্সমেন্ট লার্নিং ও কন্টিনিউয়াস-টাইম কন্ট্রোলের মধ্যে সেতুবন্ধন

মূল শিরোনাম: PhiBE-Q-Learning: Bridging Off-Policy Reinforcement Learning and Continuous-Time Control

এই গবেষণাপত্রটি কন্টিনিউয়াস-টাইম রিইনফোর্সমেন্ট লার্নিংয়ের জন্য একটি অফ-পলিসি পদ্ধতি বিকাশ করে, যেখানে সিস্টেম ডাইনামিক্স একটি অজানা SDE অনুসরণ করে এবং শুধু বিচ্ছিন্ন-টাইম ট্র্যাজেক্টোরি ডেটা পাওয়া যায়। কন্টিনিউয়াস-টাইম লিমিটে ধ্রুপদী বিচ্ছিন্ন-টাইম স্টেট-অ্যাকশন ভ্যালু ফাংশনে অ্যাকশন-নির্ভর সিগন্যালের ক্ষতি মোকাবেলার জন্য লেখকরা স্টেট-অ্যাকশন ভ্যালু ফাংশন Q(s,a)-এর একটি নতুন সংজ্ঞা উপস্থাপন করেন, এর গভর্নিং সমীকরণ নির্ণয় করেন এবং model-based ও model-free উভয় সেটিংয়ে PhiBE অ্যাপ্রক্সিমেশনভিত্তিক ইটারেটিভ অ্যালগরিদম প্রস্তাব করেন। লিনিয়ার ফাংশন অ্যাপ্রক্সিমেশনের অধীনে তাঁরা পপুলেশন স্তরে এরর বাউন্ড ও সুস্পষ্ট কনভার্জেন্স রেট প্রতিষ্ঠা করেন এবং ফাইনাইট-ডেটা অ্যালগরিদমটি সংখ্যাত্মকভাবে মূল্যায়ন করেন।

মূল লেখা পড়ুন ↗

সব আইটেম →