标签
本文提出了贝叶斯 κ-Explorer,通过对马尔可夫决策过程(MDP)的转移分布设置狄利克雷先验,以具有闭式表达式的后验方差探索信号取代置信集优化,从而简化极小极大转移估计,同时保持频率学派 κ-Explorer 的 Õ(T^-1/3) 收敛速率,并在 Pendulum、Mountain Car 和 Taxi 环境中表现出更低的最坏情况估计误差。