LEARNING
自适应数据拟合Q迭代的测度论有限样本理论
Manuel Haussmann, Mustafa Mert Çelikok, Melih Kandemir
- 发表年份
- 2026
- 访问权限
- 开放获取
摘要
本文提出一个统一的理论框架，将测度论、确定性误差传播和PAC泛化界相结合，为一般可测Borel空间上的拟合Q迭代（FQI）提供了有限样本自适应数据性能界。该工作弥合了强化学习理论与实际启发式算法之间的差距，对复杂非线性机器人系统的控制具有重要理论意义。
关键词
reinforcement learningfitted Q-iterationfinite-sample theoryadaptive datameasure theory
相关论文
LEARNING
📊 8,465 引用
The Organization of Behavior
D. O. Hebb
2005
LEARNING
📊 7,678 引用
Fractional Brownian Motions, Fractional Noises and Applications
Benoît B. Mandelbrot, John W. Van Ness
1968
LEARNING
开放获取📊 7,484 引用
Review of deep learning: concepts, CNN architectures, challenges, applications, future directions
Laith Alzubaidi, Jinglan Zhang, Amjad J. Humaidi 等 10 位作者
2021
LEARNING
📊 4,608 引用
A guide to deep learning in healthcare
Andre Esteva, Alexandre Robicquet, Bharath Ramsundar 等 10 位作者
2018