09:44
官方账号arXiv cs.LG@Yanwei Jia, Du Ouyang
推荐理由：这篇论文用Lyapunov函数严格证明了策略梯度在扩散环境老虎机里的收敛性，遗憾界做到O(log T)，搞理论的人可以看看。
multi-armed bandits
共 1 条相关 AI 资讯
8月3日
09:44
该论文在Wang等(2020)和Jia与Zhou(2022b)的连续时间强化学习框架下，研究扩散环境中多臂老虎机问题的策略梯度更新。使用logit参数化随机策略时，作者证明在任意常数学习率下算法几乎必然收敛到最优臂。此外，当常数学习率低于一个时不变阈值时，得到了非渐近遗憾上界O(log T)。作者通过构造新的Lyapunov函数改进了Lattimore(2026a)对同一SDE的分析，并展示了用SDE工具分析策略梯度的透明性。