Structural Estimation of Markov Decision Processes in High-Dimensional State Space with Finite-Time Guarantees
高维状态空间中具有有限时间保证的马尔可夫决策过程结构估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以行为历史估计动态决策结构模型，并围绕奖励参数和似然优化设计算法。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
高维状态空间中具有有限时间保证的马尔可夫决策过程结构估计
- 研究问题
- 如何利用行动与状态历史估计动态决策的结构模型，在高维状态空间中降低嵌套优化负担，同时保留对奖励参数的估计能力？
- 方法与思路
- 作者提出单循环算法，每次策略改进后进行似然最大化的随机梯度更新，并研究一般奖励形式及线性参数化奖励下的收敛性质。
- 材料陈述的贡献
- 摘要称算法有收敛到驻点的有限时间保证，线性奖励下可次线性逼近极大似然估计；机器人控制与迁移实验报告优于所比基准。
- 阅读关注点
- 应核对状态空间与奖励函数条件、驻点和极大似然解的区别，以及有限时间界、奖励估计误差和机器人实验比较的具体设置。
- 阅读边界
- 这是 arXiv 预印本，未核实同行评审或期刊接收。摘要未说明识别条件和界的具体形式，驻点收敛不能直接解释为全局最优保证。
原文摘要
We consider the task of estimating a structural model of dynamic decisions by a human agent based upon the observable history of implemented actions and visited states. This problem has an inherent nested structure: in the inner problem, an optimal policy for a given reward function is identified while in the outer problem, a measure of fit is maximized. Several approaches have been proposed to alleviate the computational burden of this nested-loop structure, but these methods still suffer from high complexity when the state space is either discrete with large cardinality or continuous in high dimensions. Other approaches in the inverse reinforcement learning (IRL) literature emphasize policy estimation at the expense of reduced reward estimation accuracy. In this paper we propose a single-loop estimation algorithm with finite time guarantees that is equipped to deal with high-dimensional state spaces without compromising reward estimation accuracy. In the proposed algorithm, each policy improvement step is followed by a stochastic gradient step for likelihood maximization. We show that the proposed algorithm converges to a stationary solution with a finite-time guarantee. Further, if the reward is parameterized linearly, we show that the algorithm approximates the maximum likelihood estimator sublinearly. Finally, by using robotics control problems in MuJoCo and their transfer settings, we show that the proposed algorithm achieves superior performance compared with other IRL and imitation learning benchmarks.