理論的に支援されたサンプル再利用を用いた一般化ポリシー改善アルゴリズム

データ駆動型の学習ベース制御のためのモデルフリー深層強化学習アルゴリズムの新しいクラスを開発しました。私たちの一般化ポリシー改善アルゴリズムは、オンポリシー手法のポリシー改善保証とサンプル再利用の効率を組み合わせており、実世界の制御における2つの重要な展開要件の間のトレードオフに対処しています：(i) 実用的な性能保証および (ii) データ効率。私たちは、この新しいクラスのアルゴリズムの利点を、幅広いシミュレーション制御タスクにおける広範な実験分析を通じて示しています。