Future-Dependent Value-Based Off-Policy Evaluation in POMDPs
部分可观测马尔可夫决策过程中的未来依赖价值离策略评估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：摘要研究通用部分可观测决策过程的策略评估，工具变量表述本身不足以确定所列计量细分。
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…
关注这篇论文的作者
部分可观测马尔可夫决策过程中的未来依赖价值离策略评估
- 研究问题
- 在部分可观测马尔可夫决策过程中，如何用一般函数逼近评估另一策略的价值，并缓解已有评估方法的时域维数灾难？
- 方法与思路
- 作者引入以未来代理为输入的价值函数，用历史代理作工具变量建立条件矩形式的 Bellman 方程，再进行极小极大学习。
- 材料陈述的贡献
- 摘要称给出 PAC 结果及相关条件下的一致性保证，并将方法扩展至动态规律学习，建立与 POMDP 谱学习的联系。
- 阅读关注点
- 应核对未来与历史代理须包含的信息、Bellman 完备性、离策略数据的要求，以及误差界如何随时域和函数复杂度变化。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要仅概述信息充分性和完备性，未说明可观测数据中如何验证。
原文摘要
We study off-policy evaluation (OPE) for partially observable MDPs (POMDPs) with general function approximation. Existing methods such as sequential importance sampling estimators and fitted-Q evaluation suffer from the curse of horizon in POMDPs. To circumvent this problem, we develop a novel model-free OPE method by introducing future-dependent value functions that take future proxies as inputs. Future-dependent value functions play similar roles as classical value functions in fully-observable MDPs. We derive a new Bellman equation for future-dependent value functions as conditional moment equations that use history proxies as instrumental variables. We further propose a minimax learning method to learn future-dependent value functions using the new Bellman equation. We obtain the PAC result, which implies our OPE estimator is consistent as long as futures and histories contain sufficient information about latent states, and the Bellman completeness. Finally, we extend our methods to learning of dynamics and establish the connection between our approach and the well-known spectral learning methods in POMDPs.