Teknologi.Bagian dari ensiklopedia.onlineCari/
BerandaKomputasi & perangkat lunakCIF: SMALL: Theoretical Foundations of Partially Observable Reinforcement Learning: Minimax Sample Complexity and Provably Efficient Algorithms
Proyek riset & pengembangan

CIF: SMALL: Theoretical Foundations of Partially Observable Reinforcement Learning: Minimax Sample Complexity and Provably Efficient Algorithms

Ringkasan tujuan riset

Algoritme pembelajaran dengan pengamatan parsial dikembangkan untuk POMDP dan extensive-form games, dengan analisis kompleksitas sampel serta pengujian implementasi OpenSpiel.

Komputasi & perangkat lunak1 rujukanProfil diperbarui
Lihat rujukanBandingkan proyek
Linimasa NSF 2315725Periode tercatat 2023-06-15 sampai 2027-05-31.NSF 2315725MulaiAkhir tercatat202320282023-06-152027-05-31
Linimasa dan catatan proyek

Tanggal dan TRL menurut catatan penerbit. Akhir periode dan target bukan bukti hasil riset.

Teknologi · CC BY 4.0 · Sumber data

Apa tujuan dan pendekatan risetnya?

Profil ini merangkum ruang lingkup proyek yang dipublikasikan National Science Foundation (NSF). Sumber diakses . Uraian pendekatan dan manfaat menyatakan tujuan pengembangan, kecuali sumber secara khusus melaporkan hasil.

Riset POMDP menelaah kebutuhan sampel pada representasi tabular dan kondisi struktural yang memungkinkan perencanaan efisien. Untuk extensive-form games, pengembangan algoritme menargetkan external regret, Phi-regret, dan dynamic regret sebagai ukuran pembelajaran keputusan. Batas statistik yang tajam dikaji bersama efisiensi komputasi untuk menjelaskan kapan algoritme dapat belajar dari informasi yang tidak lengkap. Implementasi direncanakan dikodekan dan diuji dalam lingkungan OpenSpiel guna menghubungkan hasil teori dengan evaluasi empiris.

Baca uraian penerbit

Konteks pengembangan

Institusi penerima pada catatan
University of California-Berkeley
Program
Comm & Information Foundations
Periode pendanaan tercatat
2023-06-15 → 2027-05-31

Proyek kolaboratif beberapa institusi diwakili oleh satu catatan penghargaan. Institusi di atas adalah penerima pada catatan tersebut.

Klasifikasi NSF

  • Directorate for Computer and Information Science and Engineering
  • Computing & AI Foundations

Label penerbit dipertahankan sebagai konteks. Bidang katalog merupakan pengelompokan editorial.

Apa yang diketahui tentang statusnya?

Status pendanaan menurut NSFAktif (catatan pendanaan NSF)

Catatan NSF tidak melaporkan tingkat kesiapan teknologi (TRL). Status pendanaan aktif atau berakhir bukan bukti keberhasilan riset.

Batas informasi

Profil merangkum tujuan dan pendekatan dalam abstrak pendanaan NSF. Status pendanaan tidak membuktikan keberhasilan riset, kesiapan teknologi, atau ketersediaan produk. Hasil dan performa belum diverifikasi secara independen; tinjauan ahli belum dilakukan.

Dasar profil

Metodologi dan batas pemeriksaan. Ringkasan berbahasa Indonesia disusun sebagai parafrasa editorial dengan pemeriksaan sumber primer oleh agen AI. Identitas, periode, serta status berasal dari catatan penerbit. Tinjauan ahli dan pengujian kinerja independen belum dilakukan; rujukan tidak menyiratkan dukungan atau sertifikasi NSF.