Ｑ値累積型モンテカルロ法に関する一考察

抄録

経験強化型の強化学習法であるProfit Sharingが，マルコフ決定過程の確率的状態遷移に対して適切に学習を進めることができない場合があることを指摘し，モンテカルロ法の評価値の扱い方を基にした新しい学習方法を提案する．