平均奖励Q学习与Q规划的混合正则化研究

2026年10月15日，arXiv Artificial Intelligence 刊出研究《面向平均奖励 Q-learning 与 Q-planning 的混合正则化方法》，作者为 Julien Roger、Sam Bodmer、Jian Qian、Benjamin Riviere。报道称，平均奖励强化学习中，Bellman 算子仅在马尔可夫链混合时才具备 span 收缩性；针对这一难题，研究者提出在给定与奖励无关的 m-step 混合策略下，通过向该策略正则化来控制学习策略的收缩与探索性质。来源证据显示，该工作对可实例化为多种正则化选择的 Q-learning 算法给出有限时间分析，其保证是相对于正则化不动点来度量的。目前报道未提及该方法的具体适用对象、收费或额度、地域及额外限制，也未出现与早先报道矛盾的数字、时间或说法。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。