低ランク遷移確率を持つ環境における効率的な対照学習に基づく強化学習

本論文では、低ランク遷移確率を持つマルコフ決定過程(MDP)およびマルコフゲーム(MG)において、対照学習を用いて効率的に特徴表現を抽出し、それに基づいたUCBタイプのアルゴリズムを提案する。理論的に、提案手法は真の特徴表現を回復し、最適な方策や均衡点の学習を効率的に行えることを示す。