待验证50% 置信事实精确时间
Q-learning、DQN 等算法本质上都是在近似求解贝尔曼最优方程
1
来源数
50%
置信度
长期有效
时效性
2026/7/15
首次发现
来源
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78% 相似待验证DQN的理论基础是Q-learning，一种无模型强化学习算法，核心是学习Q函数Q(s,a)表示状态s下执行动作a的期望累积折扣奖励77% 相似待验证前向KL散度D(p||q)倾向于让q覆盖p的所有可能性（mode-covering），是变分推断和监督学习中最常用的形式74% 相似待验证QMIX算法将团队的全局Q值分解为各智能体局部Q值的单调混合，确保全局最优动作等价于各智能体独立取最大值72% 相似待验证现代大型模型通过学习逐步分解问题并在训练中验证中间步骤（Chain-of-Thought推理机制），显著提升复杂数学问题的表现70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/512124API
curl https://kongchang.com/api/v1/knowledge/claims/512124MCP
get_claim(id=512124)