待验证50% 置信事实精确时间

占用度量d^π(s,a)刻画策略π在MDP中访问状态-动作对(s,a)的期望次数或归一化分布，在情景式MDP中同时编码了策略的长期行为。

1

来源数

50%

置信度

长期有效

时效性

2026/10/12

首次发现

来源

对抗性MDP策略优化：正则化Q函数消除Horizon差距

涉及实体

占用度量concept

相关事实

待验证MDP由四元组(S, A, P, R)定义：状态集合S、动作集合A、状态转移概率P和奖励函数R79% 相似已验证马尔可夫决策过程（MDP）由五个核心要素构成：状态空间、动作空间、状态转移概率、奖励函数和折扣因子72% 相似待验证论文假设可以访问MDP的生成式模型，即算法能够对任意状态-动作对进行采样查询72% 相似已验证马尔可夫决策过程（MDP）在数学上由五元组（S, A, P, R, γ）定义72% 相似待验证研究对象是有限马尔可夫决策过程（MDP），轨迹由固定的行为策略产生，其状态-动作链是不可约的并允许存在周期性71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1012956

API

curl https://kongchang.com/api/v1/knowledge/claims/1012956

MCP

get_claim(id=1012956)