面向通用函数逼近的对抗性模仿学习：理论分析与实用算法
信号处理
2026-05-05 v1 人工智能
摘要
对抗性模仿学习（AIL）作为模仿学习的重要方法，已通过神经网络逼近实现了显著的实际成功。然而，现有AIL的理论分析主要局限于简化环境，如表格型和线性函数逼近，且涉及复杂的算法设计，限制了实际应用。本文通过探索面向通用函数逼近的在线AIL理论基础，弥合此 gap。我们引入一种新框架，即基于优化的AIL（OPT-AIL），其进行奖励学习的在线优化，以及对策略学习的乐观正则化优化。在此框架内，我们发展两种具体方法：无模型OPT-AIL和基于模型的OPT-AIL。我们的理论分析表明，两种变体在学习近似专家策略方面均实现多项式专家样本复杂度和交互复杂度。迄今为止，OPT-AIL是首个在通用函数逼近下获得可证明高效的AIL方法。从实用角度看，OPT-AIL仅需对两个目标进行近似优化，从而便于实际部署。实证研究表明，OPT-AIL在多个具有挑战性的任务上超越了之前的前沿深度AIL方法。
引用
@article{arxiv.2605.01777,
title = {Data driven approach for Outdoor Channel Prediction in 5G and Beyond},
author = {A. Sathi Babu and V. Udaya Sankar and Vishnu Ram OV},
journal= {arXiv preprint arXiv:2605.01777},
year = {2026}
}
备注
6 pages, 6 figures, conference paper