标签
本文为无折扣（总回报和平均回报）马尔可夫决策过程（MDP）中的双模拟度量建立了博弈论基础，将度量算子解释为贝尔曼–沙普利博弈价值函数，并证明了有限性、聚合误差界和次优性保证。
该论文将主动推理（Active Inference）与贝叶斯 UCBVI 放在统一框架下比较，发现 AIF 的信息增益衰减过快，需用平方根校准才能达到 √T 遗憾界；校准后的 AIF 在对抗性奖励设定下表现出 ℓ1 置信集优势，而在固定奖励下并不优于 Bayes-UCBVI。
本文提出在经验性预测状态图上进行动作条件的双模拟，以判断GUI智能体在两个网页间的记忆何时应当合并，从而在无需任何训练的情况下，相比无记忆基线提升了MiniWoB++任务上的成功率。
本文提出了一种用于强化学习的性能驱动的状态抽象方法，直接优化决策质量，采用多时间尺度框架共同调整策略和树状结构抽象。该算法基于Q值差异细化或聚合状态空间，相比基线实现了更好的样本效率和更快的重新规划。
本文提出ARS，一种记忆增强的智能推荐系统，将推荐视为部分可观测问题，并采用分层信念状态记忆结构。它在四个基准上取得了最先进的性能，相比基线有显著提升。