| 講演名 | 2014-11-17 An Online Policy Gradient Algorithm for Continuous State and Action Markov Decision Processes with Bandit Feedback , |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | |
| 抄録(英) | We consider the learning problem under an online Markov decision process (MDP), which is aimed at learning the time-dependent decision-making policy of an agent that minimizes the regret - the difference from the best fixed policy. The difficulty of online MDP learning is that the reward function changes over time. In this paper, we show that a simple online policy gradient algorithm achieves regret O(√ |
| キーワード(和) | |
| キーワード(英) | Markov decision process / online learning / reinforcement learning |
| 資料番号 | IBISML2014-53 |
| 発行日 |
| 研究会情報 | |
| 研究会 | IBISML |
|---|---|
| 開催期間 | 2014/11/10(から1日開催) |
| 開催地（和） | |
| 開催地（英） | |
| テーマ（和） | |
| テーマ（英） | |
| 委員長氏名（和） | |
| 委員長氏名（英） | |
| 副委員長氏名（和） | |
| 副委員長氏名（英） | |
| 幹事氏名（和） | |
| 幹事氏名（英） | |
| 幹事補佐氏名（和） | |
| 幹事補佐氏名（英） | |
| 講演論文情報詳細 | |
| 申込み研究会 | Information-Based Induction Sciences and Machine Learning (IBISML) |
|---|---|
| 本文の言語 | ENG |
| タイトル（和） | |
| サブタイトル（和） | |
| タイトル（英） | An Online Policy Gradient Algorithm for Continuous State and Action Markov Decision Processes with Bandit Feedback |
| サブタイトル（和） | |
| キーワード(1)（和/英） | / Markov decision process |
| 第 1 著者 氏名（和/英） | / Yao MA |
| 第 1 著者 所属（和/英） | Department of Computer Science, Tokyo Institute of Technology |
| 発表年月日 | 2014-11-17 |
| 資料番号 | IBISML2014-53 |
| 巻番号（vol） | vol.114 |
| 号番号（no） | 306 |
| ページ範囲 | pp.- |
| ページ数 | 8 |
| 発行日 | |