arXiv · cs.AI· Parham Nooranbakht·· 13 天前AI 评分18
SGQN：解耦 Q-learning 中自适应动作网格的分析
Selective Growing Q-Networks (SGQN): An Analysis of Adaptive Action Grids in Decoupled Q-Learning
来源与原文
arXiv · cs.AI
作者：Parham Nooranbakht
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.20463v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
论文提出 Selective Growing Q-Networks（SGQN），在解耦 Q-learning 基础上用自适应动作网格替代均匀增长：按估计 Q 值增删 bin 并采用 epsilon-greedy 选择。在 8 个 DMControl 任务（2 至 12 动作维度）上，SGQN 在 4 个任务平均最终回报最高，3 个任务与最佳方法差距在 1.1% 以内，每维平均仅用 9 个 bin 中的 7.5 个。分析发现自适应网格并非主因，粗网格起点与 epsilon-greedy 选择更关键，softmax 会使回报下降 23% 至 100%。
来源：arXiv · cs.AI · arxiv.org