离线 RL 模型选择新方法 PBV 引同行追问：与 LSTD 锦标赛关系受关注

Lars van der Laan 团队提出 Pairwise Bellman Validation（PBV），用于离线强化学习与离线策略评估中的模型选择：在多个候选 Q 函数或占用比估计器中做出选择，方法免调参且有 oracle 保证。研究者 Nan Jiang 随后追问其与双方实验中用过的 LSTD 锦标赛的关系，并探讨理论细节，例如是否需要 LSTD 矩阵奇异值下界条件，以及该条件或可放宽改进。

2026-10-28 ~ 2026-10-29 · 3 条相关