标签
本文提出用于离策略时序差分预测的行为感知辅助修正，引入了BA-TDC和BA-TDRC算法，这些算法用行为贝尔曼矩阵替代辅助协方差矩阵，以提高稳定性和收敛性。理论分析和在标准基准上的实验验证了所提方法的有效性。
本文提出了STHTD-MP，一种行为诱导的Mirror-Prox时序差分方法，用于强化学习中的更快速离策略预测。该方法用行为策略贝尔曼矩阵替换协方差度量，并提供了收敛性分析和实验比较。