异步 Q-Learning 的到达时间界

研究人员证明了在单条有限马尔可夫决策过程轨迹下，采用常数步长的零初始化异步 Q-learning 最终迭代能以高概率达到至多 $\varepsilon$ 的范数误差，样本复杂度为 $\widetilde{O}(H^4/(\mu_{\min}\varepsilon^2)+\mathfrak h_\star)$ 步转移。