反馈延迟技术破解 Adversarial MDP 遗留遗憾界难题
做强化学习理论的应该看看这篇：作者在对抗 MDP 里主动引入反馈延迟，反而免费换来了 √S 和 √K 两处最优遗憾界。表格情形填了多年开放问题的缺口，线性情形把五年卡在 K^3/4 的记录推到 K^1/2，GRR 这个技巧以后估计会被反复引用。
做强化学习理论的应该看看这篇：作者在对抗 MDP 里主动引入反馈延迟，反而免费换来了 √S 和 √K 两处最优遗憾界。表格情形填了多年开放问题的缺口，线性情形把五年卡在 K^3/4 的记录推到 K^1/2，GRR 这个技巧以后估计会被反复引用。