2025_NIPS_Inverse Reinforcement Learning with the Average Reward Criterion

文章总结与翻译一、主要内容本文聚焦于平均奖励准则下的逆强化学习（IRL）问题，核心目标是在仅获取专家智能体的状态-动作样本时，恢复未知的策略和奖励函数。现有IRL方法多依赖折扣奖励环境且需已知折扣因子，本文通过构建平均奖励框架及高效学习算法，缓解了这一限制。核心研究内容问题背景：传统IRL存在依赖折扣因子、收敛性分析不足、仅适用于有限状态-动作空间等缺陷，而平均奖励马尔可夫决策过程（AMDP）更贴合长期决策场景，但缺乏成熟的IRL解决方案。算法设计：提出随机策略镜像下降（SPMD）算法，用于求解AMDP问题，支持一般状态和动作空间及通用函数逼近，梯度计算复杂度为O(1/ε)O(1/\varepsilon)O(