Robustness to Model Approximation, Model Learning From Data, and Sample Complexity in Wasserstein Regular MDPs

Dit artikel onderzoekt de robuustheid van discrete stochastische optimale besturing onder benadering van het model met de Wasserstein-maatstaf, waarbij het prestatieverlies wordt gekwantificeerd in relatie tot de afstand tussen de overgangskernen en de resultaten worden toegepast op probleemstellingen zoals disturbance estimation en empirisch modelleerproblemen.

Yichen Zhou, Yanglei Song, Serdar Yüksel2026-03-10🔢 math