分解 MDP 的样本高效特征选择
机器学习
2017-03-13 v1 机器学习
摘要
在强化学习中，真实世界的状态通常由特征向量表示。然而，并非所有特征都与解决当前任务相关。我们提出了特征选择探索与利用 (FS-EE) 算法，该算法在学习分解 Markov 决策过程时自动选择必要特征，并证明在温和假设下，其样本复杂度仅与必要特征的动力学入度成正比，而非与所有特征的入度成正比。当必要特征的入度小于所有特征的入度时，这可以带来好得多的样本复杂度。
关键词
引用
@article{arxiv.1703.03454,
title = {Sample Efficient Feature Selection for Factored MDPs},
author = {Zhaohan Daniel Guo and Emma Brunskill},
journal= {arXiv preprint arXiv:1703.03454},
year = {2017}
}