Distributional Off-Policy Evaluation in Reinforcement Learning
强化学习中的分布型离策略评估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。
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：摘要研究强化学习中的奖励分布评估，未明确联系经济政策因果效应或给定的宏观、金融细分方向。
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…
强化学习中的分布型离策略评估
- 研究问题
- 在行为策略生成的既有轨迹数据下，如何评估目标策略的多元折扣累计奖励联合分布，而不只估计其平均价值？
- 方法与思路
- 作者在无限期马尔可夫决策过程中提出离线 Wasserstein 方法，估计任意初始状态与行动下的累计奖励联合分布。
- 材料陈述的贡献
- 摘要称建立修正 Wasserstein 度量下的有限样本误差界，同时刻画轨迹数量与每条轨迹决策点数量的作用。
- 阅读关注点
- 应核对行为与目标策略之间的数据覆盖条件、修正度量的定义，以及轨迹长度、折扣与多元奖励维度如何影响误差。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要。数据覆盖、轨迹依赖及具体误差率未说明；数值研究中的优势不能外推为普遍结论。
原文摘要
In the literature of reinforcement learning (RL), off-policy evaluation is mainly focused on estimating a value of a target policy given the pre-collected data generated by some behavior policy. Motivated by the recent success of distributional RL in many practical applications, we study the distributional off-policy evaluation problem in the batch setting when the reward is multi-variate. We propose an offline Wasserstein-based approach to simultaneously estimate the joint distribution of a multivariate discounted cumulative reward given any initial state-action pair in the setting of an infinite-horizon Markov decision process. Finite sample error bound for the proposed estimator with respect to a modified Wasserstein metric is established in terms of both the number of trajectories and the number of decision points on each trajectory in the batch data. Extensive numerical studies are conducted to demonstrate the superior performance of our proposed method.