Bellman Calibration for $V$-Learning in Offline Reinforcement Learning
离线强化学习中 V 学习的 Bellman 校准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：摘要讨论一般离线强化学习的价值校准，未明确涉及所列经济计量应用或细分模型。
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
离线强化学习中 V 学习的 Bellman 校准
- 研究问题
- 离线强化学习中，如何诊断并修正长期价值预测的系统性数值失准，同时减少对 Bellman 完备性和价值函数可实现性的依赖？
- 方法与思路
- 作者以相近预测值对应的平均 Bellman 目标定义校准，用双重稳健目标估计误差，再通过一维直方图或保序映射迭代校准。
- 材料陈述的贡献
- 摘要称校准误差可在无需上述两项条件时达到一维非参数速率，并以价值误差分解说明统计、迭代及近似误差的作用。
- 阅读关注点
- 应核对双重稳健目标所需条件、离策略数据的覆盖要求、校准与价值误差之间的联系，以及迭代停止和近似误差控制。
- 阅读边界
- 这是 arXiv 预印本，不能确认已评审或接收；摘要未给出具体保证条件，校准改善仍受原预测信息和数据覆盖限制。
原文摘要
Reliable long-horizon value prediction is difficult in offline reinforcement learning because fitted value methods combine bootstrapping, function approximation, and distribution shift, while standard guarantees often require Bellman completeness or realizability. We introduce Bellman calibration, a weak reliability criterion requiring that states assigned similar predicted values have average Bellman targets that agree with those predictions. This criterion yields a scalar calibration error for diagnosing systematic numerical miscalibration, which we estimate from off-policy data using doubly robust Bellman target estimates. We then propose Iterated Bellman Calibration, a model-agnostic post-hoc procedure that recalibrates any learned value predictor by fitting a one-dimensional map of its original prediction, with histogram and isotonic variants. We prove finite-sample guarantees showing that Bellman calibration error is controlled at one-dimensional nonparametric rates without Bellman completeness or value-function realizability. Our value-error bounds separate statistical estimation, finite-iteration, and approximation errors, clarifying when calibration improves value prediction and when its gains are limited by the information in the original predictor or insufficient coverage.