arXiv cs.AI· Anton Kolonin·· 11 小时前AI 评分22
基于状态历史与全局反馈的可解释经验学习模型
Interpretable experiential learning based on state history and global feedback
AI 导读
研究者提出一种基于状态历史与全局反馈的可解释经验学习模型，可学习由状态集间转移图表示的行为模型，转移附带效用与证据计数。该模型在 OpenAI Gym Atari Breakout 基准上评估，性能与部分已知的神经网络方案相当，预期适用于资源受限环境下的强化学习问题。
正文 · AI 翻译
摘要：本文提出了一种基于状态历史与全局反馈的新型可解释经验学习模型。该模型能够学习由状态集合之间的转移图所表示的行为模型，其中转移带有效用和证据计数属性。该模型有望适用于资源受限环境下的强化学习问题求解。该模型在 OpenAI Gym Atari Breakout 基准上进行了全面评估，表现出与一些已知的基于神经网络的解决方案相当的性能。
| 评论： | 5 幅图。本工作已提交至 IEEE 以供可能发表。版权可能在不另行通知的情况下转移，此后本版本可能不再可访问 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2605.00940 [cs.LG] |
| （或本版本使用 arXiv:2605.00940v2 [cs.LG]） | |
| https://doi.org/10.48550/arXiv.2605.00940 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Anton Kolonin Dr. [查看邮箱]
[v1]
2026 年 5 月 1 日星期五 04:22:16 UTC（2,916 KB）
[v2]
2026 年 10 月 16 日星期五 16:12:02 UTC（2,916 KB）
来源：arXiv cs.AI · arxiv.org