Preconditioned Temporal Difference Learning
Yao HengShuai
这篇论文已被作者撤回。这份草稿因英文质量不佳而被撤回，不幸的是，这份草稿是作者刚开始他的科学路线时制作的。请查看ICML版本：http://icml2008.cs.helsinki.fi/papers/111.pdf
This paper has been withdrawn by the author. This draft is withdrawn for its poor quality in english, unfortunately produced by the author when he was just starting his science route. Look at the ICML version instead: http://icml2008.cs.helsinki.fi/papers/111.pdf
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
继续探索
Temporal Difference Updating without a Learning Rate
我们从统计原理推导出一个时间差异学习的方程。具体来说，我们从变分原理开始，然后引导产生一个更新规则的折扣状态值估计。所得到的方程类似于用于具有资格迹线的时间差异学习的标准方程，所谓的TD（lambda），然而它缺少指定学习率的参数alpha。在这个自由参数的地方，现在有一个特定于每个状态转换的学习率的方程。我们通过实验测试了这个新的学习规则对TD（lambda），并发现它提供了优越的性能在各种设置。最后，我们对如何将新的时间差分算法扩展到强化学习进行了初步的研究。为此，我们将更新方程与Watkins的Q（lambda）和Sarsa（lambda）结合起来，发现它在没有学习率参数的情况下再次提供了优异的性能。
Should All Temporal Difference Learning Use Emphasis?
强调时间差（ETD）学习最近被提出作为一种收敛的离策略学习方法。ETD的提出主要是为了解决传统的时间差（TD）学习的离线训练下的收敛问题，但它是不同于传统的TD学习，即使在对政策的培训。2017年提供的一个简单的反例指出了一类潜在的问题，其中ETD收敛，但TD发散。在本文中，我们实证表明，ETD收敛于其他一些著名的政策实验，而TD要么发散或表现不佳。我们还表明，ETD优于TD的山地车预测问题。我们的研究结果，以及在以前的作品中观察到的类似模式下的政策培训，表明ETD可能是一个很好的替代传统的TD。
Parameter-free Gradient Temporal Difference Learning
强化学习处于几个挑战的交叉点。许多感兴趣的应用涉及非常大的状态空间，需要函数近似，使易于处理的计算。此外，学习者只有一个单一的经验流，可以用来评估大量可能的行动方案，这就需要能够学习偏离策略的算法。然而，离策略学习与函数逼近的结合导致了时域差分方法的发散。最近对基于梯度的时间差分方法的研究已经承诺了一条稳定的道路，但代价是昂贵的超参数调整。与此同时，在线学习的进展提供了无参数的方法，实现极大极小最优保证对数项，但它们在强化学习中的应用还有待探索。在这项工作中，我们结合这两条线的攻击，推导出无参数，基于梯度的时间差算法。我们的算法在线性时间内运行，并实现高概率收敛保证匹配的GTD 2高达$\log$因素。我们的实验表明，我们的方法相对于完全调整的基线保持了较高的预测性能，没有任何调整。
Emphatic Temporal-Difference Learning
强调算法是时间差学习算法，其通过选择性地强调和不强调其在不同时间步长上的更新来改变其有效状态分布。Sutton，Mahmood and White（2015）和Yu（2015）最近的研究表明，通过以特定的方式改变重点，这些算法在使用线性函数近似的非策略训练下变得稳定和收敛。本文作为一个统一的总结，从两个工程的可用结果。此外，我们证明了经验的好处，从灵活性的算法，包括状态相关的折扣，状态相关的自举，和用户指定的函数近似资源的分配。
A First Empirical Study of Emphatic Temporal Difference Learning
在本文中，我们提出了第一个实证研究的时间差分学习算法（ETD），比较它与传统的时间差分学习，特别是，与线性TD（0），对政策和政策外的变化的山地车问题。开发ETD的最初动机是它在非策略训练下具有良好的收敛特性（Sutton，Mahmood和White 2016），但它也是一种适用于策略情况的新算法。在我们的on-policy和off-policy实验中，我们发现每种方法都收敛到一个特征渐近误差水平，ETD优于TD（0）。TD（0）在回落到其较高的渐近线之前暂时达到了更低的误差水平，而ETD从未显示出这种“反弹”。在非策略情况下（TD（0）不保证收敛），ETD明显较慢。
Learning to simulate partially known spatio-temporal dynamics with trainable difference operators
针对黑盒模型模拟时空动力学精度和可解释性受限的问题，提出嵌入PDE部分先验知识的混合架构PDE-Net++，通过引入TFDL和TDDL可训练差分算子，显著提升了预测精度与外推性能。
Predictor-Corrector(PC) Temporal Difference(TD) Learning (PCTD)
从数值逼近的常微分方程和TD学习通过Galerkin松弛的问题制定和解决方法的见解，我提出了一类新的TD学习算法。在应用改进的数值方法之后，被近似的参数在用于构造线性参数化的价值函数的参数$θ(t)$的ODE的解的泰勒级数误差中具有保证的数量级减小。预测-校正时间差（PCTD）是我使用随机近似（SA）理论从连续时间ODE转换而来的离散时间强化学习（RL）算法。因果和非因果的算法的实现，并列出了模拟结果的无限地平线的任务，以比较原始TD（0）算法对两个版本的PCTD（0）。
Deep Reinforcement Learning and The Tale of Two Temporal Difference Errors
本文探讨了时差误差的两种解释在深度强化学习中的差异，指出非线性架构可能导致两者数值不同，影响算法性能。
Generative Temporal Difference Learning for Infinite-Horizon Prediction
我们介绍了$γ$ -模型，一个预测模型的环境动态与无限的概率地平线。用$γ$模型代替标准的单步模型，导致对基于模型的控制的核心过程的一般化，包括模型展开和基于模型的值估计。的$γ$模型，训练与时间差异学习的生成重新解释，是一个自然的连续模拟的继任者表示和无模型和基于模型的机制之间的混合。就像一个价值函数，它包含了关于长期未来的信息;就像一个标准的预测模型，它独立于任务奖励。我们将$γ$模型实例化为生成对抗网络和规范化流，讨论其训练如何反映训练时间和测试时间复合误差之间不可避免的权衡，并实证研究其预测和控制效用。
$\ell_1$ Regularized Gradient Temporal-Difference Learning
本文研究了线性价值函数逼近的时间差分学习问题。众所周知，大多数TD学习算法在线性函数逼近和离策略学习方面是不稳定的。最近发展的梯度TD（GTD）算法成功地解决了这个问题。然而，GTD算法的成功需要一组精心选择的功能，这并不总是可用的。当特征数量很大时，GTD算法可能会面临过拟合和计算量大的问题。为了解决这个困难，正则化技术，特别是$\ell_1$正则化，在开发TD学习算法中引起了极大的关注。目前的工作结合了GTD算法与$\ell_1$正则化。我们提出了一个家庭的$\ell_1$正则化的GTD算法，采用著名的软阈值算子。我们研究了所提出的算法的收敛性，并描述了它们的性能与几个数值实验。
Fixed-Horizon Temporal Difference Methods for Stable Reinforcement Learning
我们探讨了固定时域时间差（TD）方法，强化学习算法，用于一种新的值函数，该值函数预测$\textit{fixed}$数量的未来时间步长上的奖励之和。为了学习水平$h$的价值函数，这些算法从水平$h-1$或某个较短水平的价值函数引导。因为没有价值函数从自身引导，所以固定水平方法不受困扰其他使用函数近似的非策略TD方法的稳定性问题（也被称为“致命的三元组”）的影响。虽然固定时域方法需要存储额外的价值函数，但这为代理提供了额外的预测能力，而增加的复杂性可以通过并行更新、共享权重和$n$步自举来大幅降低。我们展示了如何使用固定水平值函数来解决强化学习问题，并与学习传统价值函数的Q学习等方法竞争。我们还证明了固定水平时间差分方法的线性和一般函数逼近的收敛性。两者合计，我们的研究结果建立固定地平线TD方法作为一个可行的新的方式，避免致命的三合会的稳定性问题。
Backstepping Temporal Difference Learning
针对离策略线性函数近似下时序差分（TD）学习的发散问题，本研究从控制理论视角统一现有算法，并基于反步技术提出新收敛算法，实验验证其在标准TD学习不稳定环境中的收敛性。
Online Attentive Kernel-Based Temporal Difference Learning
随着现实世界中不确定性的增加，在线强化学习（RL）由于其快速学习能力和提高数据效率而受到越来越多的关注。然而，在线RL经常遭受复杂的价值函数近似（VFA）和灾难性干扰，这使得深度神经网络难以应用于完全在线设置中的在线RL算法。因此，一个更简单和更适应的方法来评估价值函数与基于核的模型。稀疏表示在处理干扰方面更优越，这表明与当前的稀疏表示方法相比，竞争性稀疏表示应该是可学习的，非先验的，非截断的和显式的。在稀疏表示的学习过程中，利用注意力机制来表征稀疏化程度，并在核函数的基础上引入光滑注意函数.在本文中，我们提出了一个在线的基于核的时间差分（OAKTD）算法使用两个时标优化，并提供我们所提出的算法的收敛性分析。实验评估表明，OAKTD优于几个在线基于内核的时间差（OKTD）学习算法，除了时间差（TD）学习算法与瓷砖编码的公共山地车，Acrobot，CartPole和水坑世界任务。
Some Simulation Results for Emphatic Temporal-Difference Learning Algorithms
这是一个同伴注意到我们最近的研究的弱收敛性能的约束并行时间差分学习（ETD）算法从理论的角度来看。它补充了后者的分析与仿真结果，并说明了一些ETD算法的行为，使用三个例子的问题。
Optimistic Temporal Difference Learning for 2048
时间差分（TD）学习及其变体，如多级TD（MS-TD）学习和时间相干（TC）学习，已成功应用于2048。这些方法依赖于2048年环境的随机性进行勘探。在本文中，我们提出了采用乐观初始化（OI），以鼓励探索2048年，并实证表明，学习质量显着提高。这种方法乐观地将特征权重扩展到非常大的值。由于一旦状态被访问，权重往往会降低，因此智能体倾向于探索那些未访问或访问过几次的状态。我们的实验表明，TD和TC学习与OI显着提高性能。因此，实现相同性能所需的网络规模显著减小。通过额外的调整，如expectimax搜索，多级学习和瓷砖降级技术，我们的设计达到了最先进的性能，即平均得分为625377，达到32768瓷砖的72%的速度。此外，对于足够大的测试，以0.02%的速率达到65536个瓦片。
Toward Causal-Aware RL: State-Wise Action-Refined Temporal Difference
探索在强化学习（RL）中扮演着重要的角色，但目前针对RL中连续控制任务的探索策略主要基于朴素各向同性高斯噪声，忽略了动作空间与任务之间的因果关系，并将动作的各个维度视为同等重要。在这项工作中，我们建议对原始动作空间进行干预，以发现动作空间和任务奖励之间的因果关系。我们提出了状态行为细化（SWAR）方法，该方法解决了行为空间冗余问题并促进了强化学习中的因果关系发现。我们将强化学习任务中的因果关系发现归结为一个依赖于状态的动作空间选择问题，并提出了两个实用的算法。第一种方法，TD-SWAR，检测任务相关的动作在时间差异学习，而第二种方法，Dyn-SWAR，通过动态模型预测揭示重要的行动。从经验上讲，这两种方法都提供了理解RL代理所做决策的方法，并提高了动作冗余任务的学习效率。
Predictive State Temporal Difference Learning
本文提出了一种新的价值函数逼近方法，将线性时间差分强化学习与子空间辨识相结合。在实际应用中，由于状态是高维或部分可观测的，使得强化学习（RL）变得复杂。因此，RL方法被设计为与状态的特征而不是状态本身一起工作，并且学习的成功或失败通常取决于所选特征的适用性。通过比较，子空间识别（SSID）方法的目的是选择一个功能集，保留尽可能多的信息，关于状态。在本文中，我们将这两种方法联系起来，研究具有大量特征的强化学习问题，其中每个特征对于价值函数近似可能只有很小的用处。针对这种情况，我们引入了一种新的算法，称为预测状态时间差（PSTD）学习。与用于预测状态表示的SSID一样，PSTD找到一个线性压缩运算符，该运算符将一大组特征投影到保留最大预测信息量的一小组特征。与RL中一样，PSTD然后使用Bellman递归来估计价值函数。我们讨论了PSTD与RL和SSID中的先前方法之间的连接。我们证明了PSTD是统计上一致的，进行了几个实验，说明它的属性，并证明了它的潜力，一个困难的最佳停止问题。
Supplementary material for Uncorrected least-squares temporal difference with lambda-return
在这里，我们为Osogami孝之提供了一个补充材料，“未校正的最小二乘时间差与非线性回归”，出现在{ \it Proceedings of the 34 th AAAI Conference on人工智能}（AAAI-20）中。
Discerning Temporal Difference Learning
针对TD($λ$)忽略历史状态重要性的问题，提出discerning TD learning（DTD）算法，通过灵活的强调函数有效分配误差传播，改善了价值估计并加速了学习。
On a convergent off -policy temporal difference learning algorithm in on-line learning environment
在本文中，我们在“在线”学习环境中对具有线性函数逼近和每时间步线性计算复杂性的“非策略”时间差学习算法进行了严格的收敛性分析。这里考虑的算法是TDC与Maei等人介绍的重要性加权。我们支持我们的理论结果，提供合适的经验结果标准的政策外的反例。
R-GTD: A Geometric Analysis of Gradient Temporal-Difference Learning in Singular Regimes
本文提出R-GTD算法，通过重新表述均方投影Bellman误差最小化问题，解决FIM奇异导致的稳定性问题，提供理论保证和实验证明。
A Temporal-Difference Approach to Policy Gradient Estimation
策略梯度定理（Sutton等人，2000）规定了在目标策略下使用累积贴现状态分布来近似梯度。基于该定理的大多数算法在实践中打破了这一假设，引入了可能导致收敛到差解的分布偏移。在本文中，我们提出了一种新的方法，重建的策略梯度从开始状态，而不需要一个特定的采样策略。这种形式的策略梯度计算可以根据梯度临界点来简化，由于新的梯度Bellman方程，可以递归地估计梯度临界点。通过使用时间差更新的梯度评论家从一个关闭的政策数据流，我们开发的第一个估计，回避了分布偏移的问题，在一个无模型的方式。我们证明，在一定的可实现性条件下，我们的估计是无偏的，无论抽样策略。我们的经验表明，我们的技术实现了优越的偏差方差权衡和性能的存在下，关闭政策的样本。
Gradient Descent Temporal Difference-difference Learning
在强化学习中，行为策略与目标策略不同的非策略算法被证明具有很大的实用价值。但是，即使对于线性价值函数逼近这样的简单凸问题，这些算法也不能保证是稳定的。为了解决这个问题，已经引入了在这种情况下可证明收敛的替代算法，最著名的是梯度下降时间差（GTD）学习。然而，这种算法和其他类似的算法往往比传统的时间差学习收敛得慢得多。在本文中，我们提出了梯度下降时间差差（centient-DD）学习，以改善GTD算法，GTD 2，通过在连续的参数更新中引入二阶差分。我们在线性价值函数逼近的框架下研究了该算法，并应用随机逼近理论从理论上证明了算法的收敛性。%，分析显示其相对于GTD 2的改善。通过对随机游走任务、Boyan链任务和Baird的离线策略反例的实证研究，我们发现GTD 2有了实质性的改进，在某些情况下，甚至比传统的TD学习有更好的性能。
Finite-Time Analysis of Temporal Difference Learning with Experience Replay
针对时序差分（TD）学习的有限时间行为研究缺口及经验回放理论影响不明问题，本文通过马尔可夫噪声项分解，给出带经验回放TD学习的有限时间误差界，证明回放缓冲区和小批量大小可有效控制恒定步长误差。
Investigating practical linear temporal difference learning
非策略强化学习有许多应用，包括：从演示中学习示教学习，并行学习多目标搜索策略，以及表示预测知识。最近出现了大量新的策略评估算法，填补了强化学习中长期存在的算法空白：将鲁棒性与非策略采样、函数逼近、线性复杂度和时间差（TD）更新相结合。本文包含两个主要贡献。首先，我们推导出两个新的混合TD政策评估算法，填补了这一系列算法的空白。其次，我们进行了实证比较，得出这些新的线性TD方法应首选在不同的情况下，并提出具体的建议，实际使用。
Risk-Averse Learning by Temporal Difference Methods
我们考虑强化学习，其性能由动态风险度量评估。构造了一个投影风险厌恶动态规划方程，并研究了其性质。然后，我们提出了风险厌恶的时间差异的方法，我们证明了他们的收敛概率为1。我们还进行了一个复杂的运输问题的实证研究。
Temporal Second Difference Traces
Q学习是一种可靠但低效的非策略时间差方法，每次只支持一步奖励。使用近因启发法替换跟踪更有效，但可靠性较低。在这项工作中，我们介绍了无模型，非政策的时间差方法，更好地利用经验比沃特金斯的Q（λ）。我们引入了乐观Q（λ）和时间二阶差分迹（TSDT）。TSDT在确定性领域中特别强大。TSDT既不使用新近度也不使用频率分类，而是存储（s，a，r，s '，δ），以便在采取明显次优的动作之后可以执行非策略更新。在使用状态抽象时，如在MAXQ中，还有其他优点。我们证明了TSDT在确定性悬崖行走域中明显优于Q学习和Watkins的Q（λ）。噪声悬崖行走域中的结果对于TSDT来说不太有利，但证明了乐观Q（λ）的有效性，这是一种具有TSDT一些优点的替代迹线。
Per-decision Multi-step Temporal Difference Learning with Control Variates
多步时间差（TD）学习是强化学习中的一种重要方法，因为它将单步TD学习与蒙特卡罗方法相结合，使得中间算法可以优于任何极端。它们解决了依赖当前估计（可能很差）和将更长的采样奖励序列纳入更新之间的偏差-方差权衡。特别是在非策略设置中，代理的目标是学习与生成其行为的策略不同的策略，更新中的方差可能会导致学习随着估计中使用的采样奖励数量的增加而发散。在本文中，我们介绍了前决策控制变量的多步TD算法，并比较他们与现有的方法。我们的研究结果表明，包括控制变量可以大大提高性能的政策和关闭多步时间差学习任务。
Temporal Difference Learning as Gradient Splitting
线性函数逼近的时间差分学习是一种常用的方法，用于在马尔可夫决策过程中获得策略的价值函数的低维逼近。我们给出了一个新的解释，这种方法在分裂的梯度适当选择的功能。作为这种解释的结果，梯度下降的收敛性证明几乎可以逐字地应用于时间差学习。除了给出一个新的，更全面的解释，为什么时间差异的工作，我们的解释也产生了改进的收敛时间。我们考虑具有$1/\sqrt{T}$步长的设置，其中先前用于时间差分学习的可比较的有限时间收敛时间界限在界限之前具有乘法因子$1/(1-γ)$，其中$γ$是折扣因子。我们表明，TD学习的一个微小的变化，估计价值函数的平均值分别有一个收敛时间，其中$1/(1-γ)$只乘以一个渐近可忽略的条款。
A Unified Approach for Multi-step Temporal-Difference Learning with Eligibility Traces in Reinforcement Learning
最近，一个新的多步时间学习算法，称为$Q(σ)$，统一$n$ -步骤树备份（当$σ=0$）和$n$ -步骤Sarsa（当$σ=1$）通过引入一个采样参数$σ$。然而，与其他多步时间差学习算法类似，$Q(σ)$需要大量的内存消耗和计算时间。合格性跟踪是将离线更新转换为高效的在线更新的一种重要机制。本文对原有的$Q(σ)$进行了进一步的改进，将其与资格迹相结合，提出了一种新的算法$Q(σ,λ)$，其中$λ$是迹衰减参数。这个想法统一了Sarsa $(λ)$（当$σ=1$）和$Q^π(λ)$（当$σ=0$）。此外，我们还给出了$Q(σ,λ)$策略评估算法的误差上界。我们证明了$Q(σ,λ)$控制算法可以指数收敛到最优值函数。我们还将其与传统的时间差学习方法进行了实证比较。结果表明，使用中间值$σ$，$Q(σ,λ)$创建了现有算法的混合，可以比极端（$σ=0$或$1$）更快地学习最佳值。
The Statistical Benefits of Quantile Temporal-Difference Learning for Value Estimation
本文研究强化学习策略评估，证明分位数时序差分学习（QTD）即使仅关注均值回报，也能在表格型设定下优于经典TD学习，揭示了学习完整回报分布的统计优势。
On the Performance of Temporal Difference Learning With Neural Networks
本文分析带固定半径球投影的神经时间差分学习的收敛性，给出依赖最佳网络逼近误差和隐藏层宽度的逼近界。
Kalman Temporal Differences
由于强化学习缺乏可扩展性，在线值（和Q-）函数近似在过去十年中受到越来越多的关注。本文介绍了一种新的近似方案，即卡尔曼时间差（KTD）框架，具有以下特点：样本效率，非线性近似，非平稳处理和不确定性管理。第一KTD为基础的算法提供了确定性马尔可夫决策过程（MDP），产生有偏估计的情况下，随机转换。然后描述了求解随机MDP的扩展KTD框架（XKTD）。收敛分析的特殊情况下，确定性和随机过渡。相关算法在经典基准上进行了实验。它们在展示所宣布的功能的同时，与最先进的技术相比毫不逊色。
On Convergence of Emphatic Temporal-Difference Learning
我们考虑有限空间折扣马尔可夫决策过程中的策略评估的时间差分学习算法。这种算法最近由Sutton，Mahmood和White（2015）提出，作为线性函数近似的离线时间差学习发散问题的改进解决方案。本文给出了ETD（$λ$）和ELSTD（$λ$）两个并行算法的第一个收敛性证明.我们证明了，在一般的关闭政策条件下，在$L^1$的ELSTD（$λ$）迭代的收敛性，和几乎必然收敛的近似价值函数计算的两个算法使用一个无限长的轨迹。我们的分析涉及新的技术与应用程序超出了算法的引导，例如，第一个证明标准TD（$λ$）也收敛下的政策培训$λ$足够大。
Accelerated Gradient Temporal Difference Learning
时间差分（TD）方法家族涵盖了从计算简单的线性方法（如TD（λ））到数据有效的最小二乘法的范围。最小二乘法最大限度地利用了直接计算TD解的可用数据，因此不需要调整通常高度敏感的学习率参数，但需要二次计算和存储。最近的算法发展已经产生了几个次二次方法，使用近似的最小二乘TD解决方案，但招致偏见。在本文中，我们提出了一个新的家庭加速梯度TD（ATD）方法，（1）提供类似的数据效率的好处，最小二乘法，在一小部分的计算和存储（2）显着降低参数灵敏度相比，线性TD方法，（3）是渐近无偏的。我们说明了这些主张的收敛性证明的期望和实验上的几个基准域和一个大规模的工业能源分配域。
Source Traces for Temporal Difference Learning
本文激励和发展源轨迹的时间差异（TD）学习的表格设置。源跟踪类似于资格跟踪，但模型潜在的历史，而不是直接的。这使得TD错误被传播到潜在的因果状态，并导致更快的泛化。源跟踪可以被认为是后继表示（SR）的基于模型的向后视图，并且具有许多相同的优点。然而，这一观点提出了几个新的想法。首先，提出了一种TD（$λ$）类源学习算法，并证明了其收敛性。然后，一种新的算法学习源映射（或SR矩阵）的开发和性能优于以前的算法。最后，各种方法来使用的源/SR模型进行了探讨，它表明，源痕迹可以有效地结合其他基于模型的方法，如Dyna和经验重放。
Temporal Difference Variational Auto-Encoder
为了在复杂的环境中行动和计划，我们认为智能体应该有一个具有三个特征的世界的心理模拟器：（a）它应该建立一个代表世界状况的抽象状态;（b）它应该形成一个代表世界不确定性的信念;（c）它应该超越简单的逐步模拟，并表现出时间抽象。由于缺乏满足所有这些要求的模型，我们提出了TD-VAE，这是一种生成序列模型，它学习包含关于未来几步状态的明确信念的表示，并且可以直接推出而无需单步转换。TD-VAE在时间上分离的时间点对上训练，使用强化学习中使用的时间差学习的模拟。
Adaptive Lambda Least-Squares Temporal Difference Learning
时间差分学习（$λ$）是强化学习领域的一种基本算法。然而，设置TD的$λ$参数（其控制TD更新的时间尺度）通常留给从业者。我们正式的$λ$选择问题作为一个偏差方差权衡的解决方案是值的$λ$，导致最小的均方值误差（MSVE）。为了解决这个权衡，我们建议应用留一轨迹交叉验证（LOTO-CV）来搜索$λ$值的空间。不幸的是，这种方法对于大多数实际应用来说在计算上过于昂贵。对于最小二乘TD（LSTD），我们表明，LOTO-CV可以有效地实现自动调整$λ$和应用函数优化方法，有效地搜索空间的$λ$值。由此产生的算法，ALLSTD，是无参数的，我们的实验表明，ALLSTD是显着的计算速度比天真的LOTO-CV实现，同时实现类似的性能。
A Greedy Approach to Adapting the Trace Parameter for Temporal Difference Learning
强化学习方法广泛应用的主要障碍之一是我们的核心学习算法的参数敏感性。在许多大规模的应用中，在线计算和函数逼近是扩展强化学习算法的关键策略。在这种情况下，我们有有效的和合理的理解算法，以适应学习率参数，在线学习过程中。这种元学习方法可以提高学习的鲁棒性，并使当前任务专业化，提高学习速度。对于我们在这里研究的时间差学习算法，还有另一个参数$λ$，它在实践中同样会影响学习速度和稳定性。不幸的是，与学习率参数不同，$λ$参数化了时间差分方法优化的目标函数。$λ$的不同选择产生不同的定点解，因此在线适配$λ$并表征优化实质上比适配学习速率参数更复杂。没有用于$λ$的元学习方法可以实现（1）增量更新，（2）与函数近似的兼容性，以及（3）在开和关策略采样下保持学习的稳定性。在本文中，我们提供了一个新的目标函数优化$λ$作为一个功能的状态，而不是时间。我们推导出一个新的增量，线性复杂度$λ$ -适应算法，不需要离线批量更新或访问的模型的世界，并提出了一套实验说明我们的新算法在三个不同的设置的实用性。总之，我们的贡献代表了在现实世界中的问题的时间差学习方法的黑箱应用的具体步骤。
Temporal Difference Uncertainties as a Signal for Exploration
强化学习中探索的一种有效方法是依赖于智能体对最优策略的不确定性，这可以在表格设置中产生接近最优的探索策略。然而，在涉及函数逼近器的非表格设置中，获得准确的不确定性估计几乎是一个具有挑战性的问题。在本文中，我们强调，价值估计很容易偏置和时间不一致。鉴于此，我们提出了一种新的方法来估计不确定性的价值函数，依赖于诱导分布的时间差误差。该探索信号控制状态-动作转换，以便隔离由于代理参数的不确定性而导致的值的不确定性。因为我们的不确定性度量是以状态-动作转换为条件的，所以我们不能直接作用于这个度量。相反，我们将其作为一个内在的奖励和治疗探索作为一个单独的学习问题，引起代理的时间差的不确定性。我们引入了一个独特的探索策略，学习收集具有高估计不确定性的数据，这使得课程在整个学习过程中平稳变化，并在完美值估计的限制下消失。我们评估了我们的方法在硬勘探任务，包括深海和雅达利2600环境，发现我们提出的探索形式有利于多样化和深入的探索。
New Versions of Gradient Temporal Difference Learning
本文基于凸-凹鞍点解释提出多种 GTD 新变体，将其统一到原始-对偶框架中并给出稳定性分析，同时通过数值实验比较各方法。
A Finite Time Analysis of Temporal Difference Learning With Linear Function Approximation
时间差分学习（TD）是一种简单的迭代算法，用于估计马尔可夫决策过程中与给定策略相对应的价值函数。虽然TD是强化学习中最广泛使用的算法之一，但其理论分析已被证明具有挑战性，并且很少有统计效率的保证。在这项工作中，我们提供了一个简单而明确的时间差分学习与线性函数逼近的有限时间分析。除了一些关键的见解，我们的分析反映了分析随机梯度下降算法的标准技术，因此继承了该文献的简单和优雅。本文的最后部分展示了我们所有的主要结果如何扩展到TD学习与资格迹的研究，称为TD（$λ$），以及Q学习应用于高维最优停止问题。
Neural Temporal-Difference and Q-Learning Provably Converge to Global Optima
时间差学习（TD）与神经网络相结合，是深度强化学习最基本的构建模块之一。然而，由于价值函数逼近的非线性，这种耦合会导致优化问题的非凸性，甚至发散。因此，神经TD的全局收敛性仍然不清楚。在本文中，我们证明了第一次，神经TD收敛在一个次线性的速度到全局最优的均方投影贝尔曼误差的政策评估。特别是，我们展示了这种全局收敛是如何通过神经网络的过参数化来实现的，这也在神经TD的经验成功中起着至关重要的作用。除了政策评估，我们建立了神经（软）Q-学习，这是进一步连接到策略梯度算法的全局收敛。
Sample Complexity and Overparameterization Bounds for Temporal Difference Learning with Neural Network Approximation
在本文中，我们研究了动态的时间差学习与神经网络为基础的价值函数逼近一般状态空间，即\emph{Neural TD learning}。我们考虑两个实际使用的算法，投影自由和最大范数正则化神经TD学习，并建立这些算法的第一收敛界。从我们的结果中一个有趣的观察是，最大范数正则化可以显着提高TD学习算法的性能，无论是在样本复杂度和overparameterization。特别是，我们证明了最大范数正则化提高了最先进的样本复杂性和overparameterization界限。在这项工作中的结果依赖于一个新的李雅普诺夫漂移分析的网络参数作为一个停止和控制的随机过程。
Nonlinear Distributional Gradient Temporal-Difference Learning
我们设计了梯度时间差（TD）学习的分布变体。在最近的研究\citep{bellemare2017distributional}中，分布式强化学习已经被证明优于常规学习。在策略评估方面，我们利用Bellman误差目标函数的分布形式，利用Cram{é}r距离设计了两种新的算法：分布GTD 2和分布TDC，该算法继承了非线性梯度TD算法和分布RL方法的优点。在控制设置，我们提出了分布式Greedy-GQ使用类似的推导。我们证明了分布GTD 2和TDC的渐近几乎必然收敛到一般光滑函数逼近器的局部最优解，其中包括神经网络，已被广泛应用于最近的研究，以解决现实生活中的RL问题。在每一步中，上述三种算法的计算复杂性均与时间成线性关系。因此，对于神经网络，可以有效地实现函数逼近器的参数数目。
Predicting Periodicity with Temporal Difference Learning
时间差分（TD）学习是强化学习中的一种重要方法，因为它结合了动态规划和蒙特卡罗方法的思想，允许在线和增量无模型学习。TD学习的一个关键思想是，它以价值函数的形式学习有关环境的预测知识，从中可以导出其行为以解决长期顺序决策问题。代理的兴趣范围，即TD学习代理预测未来的即时或长期程度，通过贴现率参数进行调整。在本文中，我们介绍了另一种观点的贴现率，从数字信号处理的洞察力，包括复值贴现。我们的研究结果表明，将贴现率设置为适当选择的复数，可以通过TD学习在线和增量估计感兴趣信号的离散傅里叶变换（DFT）。因此，我们扩展了知识的类型表示的价值函数，我们发现是特别有用的识别周期性的奖励序列的影响。
Adaptive Temporal-Difference Learning for Policy Evaluation with Per-State Uncertainty Estimates
我们考虑的核心学习问题的政策价值函数近似从一批轨迹数据，并专注于各种问题的时间差分（TD）学习和蒙特卡洛（MC）政策评估。已知这两种方法可实现互补的偏差-方差权衡特性，其中TD倾向于实现较低的方差但可能较高的偏差。在本文中，我们认为，较大的偏差TD可以是一个结果的放大局部近似误差。我们解决这个问题，提出了一种算法，自适应切换TD和MC在每个状态，从而减轻传播的错误。我们的方法是基于学习的置信区间，检测偏差的TD估计。我们在各种政策评估任务中证明，这种简单的自适应算法在事后看来与最佳方法具有竞争力，这表明学习的置信区间是一种强大的技术，用于调整政策评估，以数据驱动的方式使用TD或MC回报。
Transformers Can Learn Temporal Difference Methods for In-Context Reinforcement Learning
本文通过实证和理论证明，Transformer在策略评估任务训练中，其前向传播能够发现并实现时序差分学习算法，从而支持上下文强化学习（ICRL）中预训练网络前向传播实现RL算法的假设。
Temporal-Difference Networks for Dynamical Systems with Continuous Observations and Actions
时间差分（TD）网络是一类预测状态表示，它使用成熟的TD方法来学习部分可观测动态系统的模型。以前的研究与TD网络只处理与有限集的观察和行动的动力系统。我们提出了一个学习TD网络表示的动态系统的连续观测和行动的算法。我们的研究结果表明，该算法是能够学习的几个噪声连续动态系统的准确和鲁棒的模型。这里提出的算法是学习连续动态系统的预测表示的第一个完全增量的方法。
Properties of the Least Squares Temporal Difference learning algorithm
本文提出了四种不同的方式来看待著名的最小二乘时间差（LSTD）算法计算的价值函数的马尔可夫奖励过程，他们中的每一个导致不同的见解：通过Galerkin方法的算子理论方法，统计方法通过工具变量，线性动力系统的观点，以及TD迭代的限制。我们还给出了一个几何视图的算法作为一个斜投影。此外，有一个广泛的比较LSTD解决的优化问题相比，贝尔曼残差最小化（BRM）。然后，我们审查几个计划的正则化的LSTD解决方案。然后，我们着手处理的情况下，情节马尔可夫奖励过程的LSTD的修改。
Truncated Emphatic Temporal Difference Methods for Prediction and Control
强调时间差分（TD）方法是一类涉及使用后续跟踪的非策略强化学习（RL）方法。尽管理论上的成功，在解决臭名昭著的致命的三位一体的off-policy强化学习的方法，仍然有两个开放的问题。首先，followon跟踪通常具有较大的方差，这使得它们难以在实践中使用。其次，尽管Yu（2015）证实了一些预测问题的渐近TD方法的渐近收敛性，但仍然没有任何预测问题的渐近TD方法的有限样本分析，更不用说控制了。在本文中，我们解决这两个开放的问题，同时通过使用截断后续跟踪的椭圆形TD方法。与原始的followon跟踪，这取决于所有以前的历史，截断followon跟踪只依赖于有限的历史，减少方差，使有限样本分析，我们提出的预测和控制的连续TD方法。
Correcting Momentum in Temporal Difference Learning
深度强化学习中常用的优化工具是动量，它包括累积和贴现过去的梯度，在每次迭代时重新应用它们。我们认为，与监督学习不同，时间差（TD）学习中的动量累积梯度变得双重陈旧：不仅损失的梯度会因参数更新而变化，损失本身也会因自举而变化。我们首先证明了这种现象的存在，然后提出了一个一阶动量修正项。我们发现，这个修正项通过修正目标值漂移提高了政策评估中的样本效率。这项工作的一个重要见解是，深度RL方法并不总是通过直接从监督设置中导入技术来提供最佳服务。
On the Variance of Temporal Difference Learning and its Reduction Using Control Variates
本文分析表格表示下相位设置中时序差分学习的方差，证明其方差降低机制是通过有效聚合更多独立轨迹，并比较了TD、MC和DAE的方差界限。
Gradient Temporal Difference with Momentum: Stability and Convergence
梯度时间差分（Gradient Temporal Difference，TD）算法是一类在强化学习中用于策略评估的随机逼近（Stochastic Approximation，SA）算法。在这里，我们考虑梯度TD算法与一个额外的重球动量项，并提供选择的步长和动量参数，以确保这些算法几乎肯定渐近收敛。在这样做时，我们将重球梯度TD迭代分解为具有不同步长的三个单独的迭代。我们首先分析这些迭代下一个时标SA设置使用当前文献的结果。然而，一个时间尺度的情况是限制性的，可以通过查看迭代的三个时间尺度分解来提供更一般的分析。在这个过程中，我们提供了一般的三时标SA的稳定性和收敛性的第一个条件。然后，我们证明了重球梯度TD算法是收敛的，使用我们的三时标SA分析。最后，我们评估这些算法的标准强化学习问题和报告的性能改善香草算法。
A Temporal Difference Method for Stochastic Continuous Dynamics
针对基于HJB方程的强化学习需已知动力学的问题，提出免模型时间差分方法，实现指数收敛，桥接随机控制与免模型RL。
Stability and Sensitivity Analysis of Relative Temporal-Difference Learning: Extended Version
本文研究了相对时差学习在函数逼近中的稳定性，证明了基线分布的选择对算法稳定性至关重要，并分析了参数估计的灵敏度。
Optimistic Risk Perception in the Temporal Difference error Explains the Relation between Risk-taking, Gambling, Sensation-seeking and Low Fear
了解冒险所涉及的情感、认知和行为过程对于治疗和设定环境条件以限制损害至关重要。利用时间差强化学习（TDRL），我们通过计算研究了乐观在各种目标导向任务中对风险感知的影响。通过改变时间差误差的计算来研究风险感知中的乐观，即，德尔塔，在三个方面：现实（stochemical正确），乐观（假设行动控制）和过于乐观（假设结果控制）。我们发现，对于赌博任务的个人与“健康”的控制知觉，即，行动乐观，不发展赌博行为，而具有“不健康”控制感的人，即，结果乐观，做。我们发现，高强度的感觉和低水平的恐惧共同发生，由于乐观的风险感知。我们发现，过度乐观的风险感知（结果乐观）导致冒险和持续的赌博行为，除了高强度的感觉。我们讨论了我们的研究结果如何复制冒险相关的现象。
Control Theoretic Analysis of Temporal Difference Learning
本文提出一个有限时间的控制理论框架来分析时序差分（TD）学习算法，利用线性系统控制的概念揭示TD学习机制，为强化学习提供新见解。
On the Statistical Benefits of Temporal Difference Learning
针对有限状态 Markov 链，本文证明时序差分学习通过最小化时序不一致性拟合价值函数，利用逆轨迹汇聚系数和轨迹交叉时间显著降低了价值估计的均方误差。
Adaptive Tree Backup Algorithms for Temporal-Difference Reinforcement Learning
Q（$σ$）是最近提出的一种时间差学习方法，它在从预期备份和采样备份中学习之间进行插值。已经表明，插值参数$σ\in [0,1]$的中间值在实践中表现得更好，因此通常认为$σ$用作偏差-方差折衷参数以实现这些改进。在我们的工作中，我们反驳了这一概念，表明选择$σ=0$最小化方差而不增加偏差。这表明，$σ$对学习一定有一些尚未完全理解的其他影响。作为替代方案，我们假设存在一个新的权衡：较大的$σ$值有助于克服价值函数的初始化差，以较高的统计方差为代价。为了自动平衡这些考虑因素，我们提出了自适应树备份（ATB）方法，其加权备份随着代理获得经验而发展。我们的实验表明，自适应策略可以比依赖于固定或时间退火的$σ$值更有效。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈
发表机构由 AI 从论文文本抽取，如发现错误，欢迎反馈修正建议。