Buchumschlag

Sample Complexity of Offline Distributionally Robust Linear Markov Decision Processes

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, He, Shi, Laixi, Chi, Yuejie
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Statistics Theory
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Settling the Sample Complexity of Model-Based Offline Reinforcement Learning
von: Li, Gen, et al.
Veröffentlicht: (2022)

Distributionally Robust Model-Based Offline Reinforcement Learning with Near-Optimal Sample Complexity
von: Shi, Laixi, et al.
Veröffentlicht: (2022)

The Curious Price of Distributional Robustness in Reinforcement Learning with a Generative Model
von: Shi, Laixi, et al.
Veröffentlicht: (2023)

Offline Estimation of Controlled Markov Chains: Minimaxity and Sample Complexity
von: Banerjee, Imon, et al.
Veröffentlicht: (2022)

Policy Testing in Markov Decision Processes
von: Ariu, Kaito, et al.
Veröffentlicht: (2025)

Is Q-Learning Minimax Optimal? A Tight Sample Complexity Analysis
von: Li, Gen, et al.
Veröffentlicht: (2021)

Online and Offline Robust Multivariate Linear Regression
von: Godichon-Baggioni, Antoine, et al.
Veröffentlicht: (2024)

Pessimism in the Face of Confounders: Provably Efficient Offline Reinforcement Learning in Partially Observable Markov Decision Processes
von: Lu, Miao, et al.
Veröffentlicht: (2022)

Breaking the Sample Size Barrier in Model-Based Reinforcement Learning with a Generative Model
von: Li, Gen, et al.
Veröffentlicht: (2020)

Sample-Efficient Robust Multi-Agent Reinforcement Learning in the Face of Environmental Uncertainty
von: Shi, Laixi, et al.
Veröffentlicht: (2024)

Federated Offline Reinforcement Learning: Collaborative Single-Policy Coverage Suffices
von: Woo, Jiin, et al.
Veröffentlicht: (2024)

Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative Models
von: Li, Gen, et al.
Veröffentlicht: (2023)

Breaking the Curse of Multiagency in Robust Multi-Agent Reinforcement Learning
von: Shi, Laixi, et al.
Veröffentlicht: (2024)

On the Sample Complexity of Robust Binary Hypothesis Testing
von: Vallinayagam, Shankar, et al.
Veröffentlicht: (2026)

On the Optimal Sample Complexity of Offline Multi-Armed Bandits with KL Regularization
von: Ji, Kaixuan, et al.
Veröffentlicht: (2026)

Complexity of Markov Chain Monte Carlo for Generalized Linear Models
von: Chak, Martin, et al.
Veröffentlicht: (2025)

Statistical and Algorithmic Foundations of Reinforcement Learning
von: Chi, Yuejie, et al.
Veröffentlicht: (2025)

Risk-Controlled Post-Processing of Decision Policies
von: Joshi, Sunay, et al.
Veröffentlicht: (2026)

Estimating the Mixing Coefficients of Geometrically Ergodic Markov Processes
von: Grünewälder, Steffen, et al.
Veröffentlicht: (2024)

The Sample Complexity of Distributed Simple Binary Hypothesis Testing under Information Constraints
von: Kazemi, Hadi, et al.
Veröffentlicht: (2025)

The Sample Complexity of Multicalibration
von: Collina, Natalie, et al.
Veröffentlicht: (2026)

Wedge Sampling: Efficient Tensor Completion with Nearly-Linear Sample Complexity
von: Luo, Hengrui, et al.
Veröffentlicht: (2026)

Taming the Curses of Multiagency in Robust Markov Games with Large State Space through Linear Function Approximation
von: Gai, Jingchu, et al.
Veröffentlicht: (2026)

Laplace Transform Based Low-Complexity Learning of Continuous Markov Semigroups
von: Kostic, Vladimir R., et al.
Veröffentlicht: (2024)

Model-Based Reinforcement Learning for Offline Zero-Sum Markov Games
von: Yan, Yuling, et al.
Veröffentlicht: (2022)

Finite Sample Analysis of Distribution-Free Confidence Ellipsoids for Linear Regression
von: Szentpéteri, Szabolcs, et al.
Veröffentlicht: (2024)

A Sharp Convergence Theory for The Probability Flow ODEs of Diffusion Models
von: Li, Gen, et al.
Veröffentlicht: (2024)

Byzantine-Robust Distributed Sparse Learning Revisited
von: Wang, Yuxuan, et al.
Veröffentlicht: (2026)

Principled Out-of-Distribution Generalization via Simplicity
von: Ge, Jiawei, et al.
Veröffentlicht: (2025)

Functional Linear Regression of Cumulative Distribution Functions
von: Zhang, Qian, et al.
Veröffentlicht: (2022)

High-probability sample complexities for policy evaluation with linear function approximation
von: Li, Gen, et al.
Veröffentlicht: (2023)

On the Sample Complexity of Set Membership Estimation for Linear Systems with Disturbances Bounded by Convex Sets
von: Xu, Haonan, et al.
Veröffentlicht: (2024)

Sample Complexity of Probability Divergences under Group Symmetry
von: Chen, Ziyu, et al.
Veröffentlicht: (2023)

Sampling from the Mean-Field Stationary Distribution
von: Kook, Yunbum, et al.
Veröffentlicht: (2024)

When Are Trade-Off Functions Testable from Finite Samples?
von: Shi, Kaining, et al.
Veröffentlicht: (2026)

Optimal Bounds for Tyler's M-Estimator for Elliptical Distributions
von: Lau, Lap Chi, et al.
Veröffentlicht: (2025)

The Sample Complexity of Simple Binary Hypothesis Testing
von: Pensia, Ankit, et al.
Veröffentlicht: (2024)

Finite Sample Confidence Regions for Linear Regression Parameters Using Arbitrary Predictors
von: Guille-Escuret, Charles, et al.
Veröffentlicht: (2024)

The Sample Complexity of Multiple Change Point Identification under Bandit Feedback
von: Graf, Maximilian, et al.
Veröffentlicht: (2026)

High-Dimensional Markov-switching Ordinary Differential Processes
von: Tsai, Katherine, et al.
Veröffentlicht: (2024)