AI اور دنیا کے مشکل مسائل · نظریاتی کمپیوٹر سائنس · arXiv · 2026-10-21

PhiBE-Q-Learning: آف پالیسی ری انفورسمنٹ لرننگ اور کنٹینیوئس ٹائم کنٹرول کو جوڑنا

اصل عنوان: PhiBE-Q-Learning: Bridging Off-Policy Reinforcement Learning and Continuous-Time Control

مقالہ continuous-time reinforcement learning کے لیے ایک off-policy طریقہ تیار کرتا ہے، جہاں نظام کی حرکیات ایک نامعلوم SDE کی پیروی کرتی ہیں اور صرف discrete-time ٹریجیکٹری ڈیٹا دستیاب ہوتا ہے۔ continuous-time حد میں روایتی discrete-time state-action value فنکشن میں action-dependent سگنل کے ضیاع سے نمٹنے کے لیے مصنفین state-action value فنکشن Q(s,a) کی ایک نئی تعریف متعارف کرواتے ہیں، اس کی حاکم مساوات اخذ کرتے ہیں، اور model-based اور model-free دونوں ترتیبات میں PhiBE تخمینے پر مبنی تکراری الگورتھم پیش کرتے ہیں۔ لکیری فنکشن تخمینے کے تحت وہ population سطح پر خطا کی حدیں اور convergence کی واضح شرحیں قائم کرتے ہیں، اور محدود ڈیٹا والے الگورتھم کا عددی جائزہ لیتے ہیں۔

اصل تحریر پڑھیں ↗

تمام آئٹمز →