分布式时序差分学习中的在线统计推断

研究者提出了基于单条马尔可夫轨迹的非参数分布式时序差分学习方法，用于固定策略下回报分布统计泛函的在线统计推断。该研究证明了 Polyak-Ruppert 平均估计量及其 Bootstrap 版本具有相同的渐近高斯极限，从而支持方差、CVaR 等光滑泛函的推断，并针对回报分位数等非光滑泛函建立了局部渐近理论。因定理 4 证明的步骤 3 存在技术错误，该论文已被撤回。