Decision-Centered Abstractions via Orthogonal Estimation of Difference-of-Q Functions
通过 Q 函数差的正交估计构建以决策为中心的状态抽象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：摘要明确采用因果机器学习与动态 R learner 估计行动间 Q 函数对比，以支持序贯策略优化。
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
通过 Q 函数差的正交估计构建以决策为中心的状态抽象
- 研究问题
- 离线序贯决策中，能否仅保留决定行动优劣的状态信息，而无需学习完整状态动态，并在辅助函数估计较慢时可靠优化策略？
- 方法与思路
- 作者以离散行动之间的 Q 函数差为目标，结合动态 R learner、正交估计与稀疏学习，在非参数加性奖励模型下研究状态抽象。
- 材料陈述的贡献
- 摘要称，正交估计改善收敛率，并在间隔条件下保证策略优化一致性；模拟及模拟器增强真实数据展示方差改善与状态信息简化。
- 阅读关注点
- 应核对离线数据支持与行为策略条件、加性奖励结构、正交性及间隔条件，并检查模拟器增强数据与实际离线部署的差距。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未完整给出识别与收敛条件，所示改善不能推广到任意奖励结构或行动空间。
原文摘要
Offline reinforcement learning enables evaluation and optimization of sequential decisions from historical data, when it is not possible to deploy new policies online due to safety, cost, and other concerns. Big data advances enable rich state information, but may naively include reward- and action- irrelevant dynamics that are ultimately unnecessary for learning optimal actions. We introduce state abstractions that target preservation of the difference-of-Q functions, and we propose to learn these abstractions via causal machine learning of the difference-of-Q function and standard statistical sparse learning. Under a nonparametric additive-rewards model, we characterize when decision-centered abstractions are simpler than the full state space, motivating our estimation procedure. We develop a dynamic generalization of the R learner (Nie et al. 2021, Lewis and Syrgkanis 2021) for estimating difference of Q-functions, for discrete-valued actions a, a0. We leverage orthogonal estimation to improve convergence rates, even if the required estimates of Q and behavior policy converge at slower rates and prove consistency of policy optimization under a margin condition. The method can leverage black-box estimators of the Q-function and behavior policy to target estimation of a more structured Q-function contrast, and uses simple squared-loss minimization. We demonstrate variance improvements from our estimator and how our approach enables us to isolate the information needed for sequential decision-making, which can be less than that for state prediction, in simulated data and simulator-augmented real data.