Единый анализ моментально-корректированного действия-критики по отношению к марковской траектории

Компьютерные науки > Машинное обучение [представлено 24 октября 2026 года] Название: "Единый анализ важного-корректированного момента актора-критика над марковским траекторическим взглядом на HTML (экспериментальным) резюме: Мы представляем общий метод актёра-критики, который сочетает в себе критик с хребтовым патрулем по наименьшим квадратам временны́й дифференции (LSTD) и игроков с корректированной силой (ICM). Критик решает систему хребта, регулируемую на кадр инверсией Ньютон-Шулз, и не нуждается ни в шагу, ни в знании времени смешивания, ни без соблюдения статуса. Усредненные стохастические градиенты политики за рамки последовательных преобразований в долл. Насколько нам известно, мы установим первые предельные временные рамки для ICM актёрско-критических методов с нормализованными и ненормализированными шагами вдоль единой марковской траектории. Вплоть до стационарного несоответствия между дисперсией, средняя норма уклона и обновления в долл. США ограничивается суммой в размере $ {\cHF}(K__ {-1/3}+>frak {1} {T}) долларов для нормализованных шагов и $$ {#cal O}( K_ {-1/4} +/frac { 1} {Т}) долл. для ненормализированных этапов. Мы специализируем эти границы на Муоне, нормализованном стохастичном градиентном спуске (SGD) с импульсом, SGD и AdaNorm и сравниваем их в ядерной норме. При безразмерной последовательности Muon ограничивает фактор $\мин {m,n} {1/2} долл. США, связанный с матрицой параметров n долларов для измерения шума и коррекции. Сопоставление также…