待验证50% 置信事实精确时间
论文主结论是采用零初始化和常数步长的Q-Learning能在高概率意义下使用 Õ(H^4/(μ_min·ε^2)+h_star) 次状态转移将sup-norm误差控制在ε以内（对0<ε≤1成立）
1
来源数
50%
置信度
长期有效
时效性
2026/10/12
首次发现
来源
涉及实体
相关事实
待验证ε-greedy策略以概率ε随机选择动作、以概率1-ε选择当前Q值最高的动作，训练初期ε通常设为1.0，随后在数百万帧内线性衰减至0.01或0.170% 相似待验证状态扰动使用高斯噪声（sigma=0.005）注入以防止模型学习脆弱的1维线性轨迹70% 相似待验证o1在某个任务中最终分数低于Claude 3.5，体现了强推理模型的'过度推理'问题——初始阶段出现偏差后会沿错误路径深入70% 相似待验证残差结构让F=0成为默认选项，只要F(x)权重接近零残差块即退化为恒等映射，从而解决SGD难以学习恒等映射的优化困境69% 相似待验证ε预测在大嵌入维度下容易数值不稳定，因为当α_bar_t接近零时缩放系数1/sqrt(α_bar_t)趋于无穷大放大预测误差68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1002187API
curl https://kongchang.com/api/v1/knowledge/claims/1002187MCP
get_claim(id=1002187)