基于“分而治之”的传递强化学习 (Transitive RL)

1. 引言：非策略强化学习的困境

在强化学习（RL）领域，长期以来存在两种主要的数据利用范式：策略级（On-Policy）和非策略级（Off-Policy）。

虽然PPO等On-Policy算法在扩展性上已表现出色，但它们效率低下——每次更新都必须丢弃旧数据。在机器人、医疗或对话系统等数据昂贵的领域，我们需要Off-Policy算法（如Q-Learning），利用所有历史数据。然而，传统的Off-Policy算法在**长视界（Long-horizon）**任务中面临严峻挑战。

传统的两大范式及其缺陷

1. 时间差分 (TD) 学习:

   

2. 蒙特卡洛 (MC) 学习:

   • 公式: 直接使用整条轨迹的回报。

   • 问题: 方差极大，且数据利用率低。

虽然 $