KAPS: Algoritmo Esatto per il Minimax Regret in MDP Incerti con Piccoli Insiemi di Politiche
I ricercatori hanno introdotto la sintesi di politiche k-adattabili, un nuovo approccio per ottimizzare un insieme di k politiche sotto un obiettivo di minimax regret in processi decisionali di Markov incerti (UMDP). Il problema è dimostrato NP-hard, e il team ha sviluppato KAPS, un algoritmo esatto di branch-and-bound annidato. Questo lavoro affronta il processo decisionale sequenziale nel mondo reale, dove l'incertezza del modello viene risolta poco prima dell'esecuzione, consentendo la selezione della politica più adatta da un insieme preparato limitato. La ricerca è disponibile su arXiv con ID 2608.02509.
Fatti principali
- L'articolo è intitolato 'Optimizing Minimax Regret in Uncertain MDPs with Small Sets of Policies'.
- È disponibile su arXiv con ID 2608.02509.
- La ricerca introduce la sintesi di politiche k-adattabili.
- L'obiettivo è minimizzare il massimo rammarico (minimax regret).
- Il problema è dimostrato essere NP-hard.
- Gli autori hanno sviluppato un algoritmo esatto chiamato KAPS.
- KAPS utilizza un approccio branch-and-bound annidato.
- L'ambientazione coinvolge l'incertezza del modello risolta poco prima dell'esecuzione.
Entità
Istituzioni
- arXiv