主题： Representations for Stable Off-Policy Reinforcement Learning

摘要： 具有函数逼近的强化学习可能不稳定，甚至会产生分歧，尤其是与非策略学习和Bellman更新结合使用时。在深度强化学习中，这些问题已通过调整和规范化表示形式（特别是辅助任务）以经验方式得到处理。这表明表示学习可以提供一种保证稳定性的方法。在本文中，我们正式表明，即使在学习非策略时，确实存在非平凡的状态表示形式，规范的TD算法是稳定的。我们沿着三个轴分析基于策略过渡矩阵（例如原型值函数）的表示学习方案：逼近误差，稳定性和易于估计性。在最一般的情况下，我们表明Schur基提供了收敛性保证，但是很难从样本中进行估计。对于固定的奖励函数，我们发现相应Krylov子空间的正交基础是更好的选择。我们通过经验证明，可以使用随机梯度下降学习这些稳定的表示，从而为使用深度网络进行表示学习的改进技术打开了大门。