待验证50% 置信事实精确时间
贝尔曼方程利用马尔可夫性，把长期回报的期望拆解为“即时奖励 + 折扣后的下一状态价值”，从而将序贯决策问题转化为可迭代求解的方程。
1
来源数
50%
置信度
长期有效
时效性
2026/10/26
首次发现
来源
涉及实体
相关事实
待验证贝尔曼方程将长期累积奖励的优化问题分解为可递归求解的子问题，奠定了Q-learning、策略梯度等经典算法的理论根基75% 相似待验证如果奖励仅针对最终结果，模型会倾向于走捷径、记忆特定场景的解法72% 相似待验证提示词的作用类似于调整概率分布的偏置：通过提供上下文、角色或示例，让某些表达路径的概率被抬高，另一些被压低，从而引导模型走向更具创造性的输出。70% 相似待验证策略梯度定理表明期望回报对策略参数的梯度可表示为 ∇J(θ) = E[∇log π_θ(a|s) · A(s,a)]，其中A是优势函数69% 相似待验证标准马尔可夫决策过程假设状态转移和奖励函数是固定的，而鲁棒上下文MDP引入不可观测的隐变量（上下文）代表患者个体特征，并在上下文参数的不确定集合内寻求最坏情况下的最优表现。69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1098722API
curl https://kongchang.com/api/v1/knowledge/claims/1098722MCP
get_claim(id=1098722)