В данной статье анализируется статистическая эффективность квантильного распределительного обучения с подкреплением, уделяя особое внимание распределительной оценке политики для характеристики распределения доходности.
- Авторы строят оценитель на основе эмпирического процесса марковского принятия решений при допущении доступа к генеративной модели.
- Устанавливается неасимптотическая граница ошибки по метрике супремум W_infinity, показывающая, что ошибка оценки масштабируется как O(sqrt(m/n)).
- В исследовании выводится асимптотическое распределение квантильных параметров и характеризуется полупараметрическая граница эффективности, достигаемая оценителем.
- В режиме расходящихся квантилей предельная ковариационная структура совпадает с полупараметрической границей эффективности непараметрической модели.
- Для гладких функционалов доказывается теорема Берри-Эссена, чтобы обеспечить основу для статистически корректного вывода.
Работа демонстрирует, что квантильные оценители достигают оптимальных параметрических скоростей сходимости и остаются асимптотически эффективными в бесконечномерных пределах.