AI और दुनिया की कठिन समस्याएँ · सैद्धांतिक कंप्यूटर विज्ञान · arXiv · 2026-10-21

PhiBE-Q-Learning: ऑफ़-पॉलिसी रीइन्फ़ोर्समेंट लर्निंग और कंटीन्यूअस-टाइम कंट्रोल के बीच सेतु

मूल शीर्षक: PhiBE-Q-Learning: Bridging Off-Policy Reinforcement Learning and Continuous-Time Control

यह शोध-पत्र सतत-समय पुनर्बलन शिक्षा के लिए एक ऑफ-पॉलिसी विधि विकसित करता है, जहाँ तंत्र की गतिकी एक अज्ञात SDE का अनुसरण करती है और केवल विविक्त-समय पथ डेटा उपलब्ध हैं। सतत-समय सीमा में शास्त्रीय विविक्त-समय अवस्था-क्रिया मान फलन में क्रिया-निर्भर संकेत की हानि को दूर करने के लिए, लेखक अवस्था-क्रिया मान फलन Q(s,a) की एक नई परिभाषा प्रस्तुत करते हैं, इसका शासक समीकरण व्युत्पन्न करते हैं, और मॉडल-आधारित तथा मॉडल-मुक्त दोनों परिवेशों में PhiBE सन्निकटन पर आधारित पुनरावृत्तीय एल्गोरिद्म प्रस्तावित करते हैं। रैखिक फलन सन्निकटन के अंतर्गत वे जनसंख्या स्तर पर त्रुटि सीमाएँ और स्पष्ट अभिसरण दरें स्थापित करते हैं, और सीमित-डेटा एल्गोरिद्म का संख्यात्मक मूल्यांकन करते हैं।

मूल लेख पढ़ें ↗

सभी आइटम →