Batch-iFDD：用于大型 MDP 中表示扩展的批量增量特征依赖发现
机器学习
2013-09-27 v1 机器学习
摘要
匹配追踪（MP）方法是一类用于值函数近似的前景广阔的特征构造算法。然而，现有的 MP 方法需要创建一个潜在特征池，这需要专家知识或对大型特征池进行枚举，这两者都阻碍了可扩展性。本文介绍了批量增量特征依赖发现（Batch-iFDD）作为一种 MP 方法，它继承了可证明的收敛性质。此外，Batch-iFDD 不需要大型特征池，从而降低了计算复杂度。在三个拥有多达一百万个状态的领域中的实证策略评估结果，突显了 Batch-iFDD 相对于先前最先进的 MP 算法的可扩展性。
引用
@article{arxiv.1309.6831,
title = {Batch-iFDD for Representation Expansion in Large MDPs},
author = {Alborz Geramifard and Thomas J. Walsh and Nicholas Roy and Jonathan How},
journal= {arXiv preprint arXiv:1309.6831},
year = {2013}
}
备注
Appears in Proceedings of the Twenty-Ninth Conference on Uncertainty in Artificial Intelligence (UAI2013)