Batch policy learning in average reward Markov decision processes
平均奖励马尔可夫决策过程中的批量策略学习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：摘要聚焦马尔可夫决策过程的离线策略学习，未明确说明可归入所列因果推断方向的识别框架。
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…
平均奖励马尔可夫决策过程中的批量策略学习
- 研究问题
- 如何利用离线数据，在无限期马尔可夫决策过程中学习最大化长期平均奖励的策略，并控制估计策略相对类内最优策略的损失？
- 方法与思路
- 作者提出平均奖励的双重稳健估计量，在参数化随机策略类中进行优化，并用模拟和促进身体活动的移动健康研究说明方法。
- 材料陈述的贡献
- 摘要称，奖励估计达到半参数效率，并为学习到的策略建立有限样本遗憾保证；比较基准是指定策略类中的最优平均奖励。
- 阅读关注点
- 应核对离线数据支持策略评价的条件、双重稳健性的具体含义、效率结论、优化算法，以及遗憾界对策略类的依赖。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明识别条件、遗憾界形式或应用结果，不能推断全局策略最优性。
原文摘要
We consider the batch (off-line) policy learning problem in the infinite horizon Markov Decision Process. Motivated by mobile health applications, we focus on learning a policy that maximizes the long-term average reward. We propose a doubly robust estimator for the average reward and show that it achieves semiparametric efficiency. Further we develop an optimization algorithm to compute the optimal policy in a parameterized stochastic policy class. The performance of the estimated policy is measured by the difference between the optimal average reward in the policy class and the average reward of the estimated policy and we establish a finite-sample regret guarantee. The performance of the method is illustrated by simulation studies and an analysis of a mobile health study promoting physical activity.