LEARNING
收缩随机逼近的浓度与均方界：一种统一的基本方法
Siddharth Chandak
- 发表年份
- 2026
- 访问权限
- 开放获取
摘要
本文针对具有任意范数收缩映射的随机逼近算法，在乘性噪声和迭代变量无界的情况下，建立了均方和浓度界。通过使用平均噪声序列和辅助迭代变量，作者直接得到了范数误差的Lyapunov漂移不等式，避免了传统方法中需要平滑范数或构造包络的复杂步骤。
关键词
stochastic approximationreinforcement learningconcentration boundsmean-square boundsLyapunov analysis
相关论文
LEARNING
📊 8,465 引用
The Organization of Behavior
D. O. Hebb
2005
LEARNING
📊 7,678 引用
Fractional Brownian Motions, Fractional Noises and Applications
Benoît B. Mandelbrot, John W. Van Ness
1968
LEARNING
开放获取📊 7,484 引用
Review of deep learning: concepts, CNN architectures, challenges, applications, future directions
Laith Alzubaidi, Jinglan Zhang, Amjad J. Humaidi 等 10 位作者
2021
LEARNING
📊 4,608 引用
A guide to deep learning in healthcare
Andre Esteva, Alexandre Robicquet, Bharath Ramsundar 等 10 位作者
2018