离线强化学习中经验样本复杂度分析的重要性
机器学习
2022-01-03 v1 人工智能
摘要
我们假设，对离线强化学习（RL）的样本复杂度进行经验研究，对于 RL 在现实世界中的实际应用至关重要。近期的若干工作已展示了直接从离线数据学习策略的能力。在本工作中，我们提出关于从离线数据学习所需样本数量依赖关系的问题。我们的目标是强调，研究离线 RL 的样本复杂度十分重要，并且它是现有离线算法有用性的一个指标。我们提出了一种用于离线 RL 样本复杂度分析的评估方法。
引用
@article{arxiv.2112.15578,
title = {Importance of Empirical Sample Complexity Analysis for Offline Reinforcement Learning},
author = {Samin Yeasar Arnob and Riashat Islam and Doina Precup},
journal= {arXiv preprint arXiv:2112.15578},
year = {2022}
}