用于动作—状态熵正则化奖励最大化的通用 Markov 决策过程形式化框架

基于摘要分析。本文研究 Markov 决策过程中的动作熵、状态熵及动作—状态熵正则化奖励最大化，提出通用对偶函数框架，旨在统一此前分别处理的熵正则化、纯探索与状态空间占据问题。 核心机制是通过对偶形式重写优化问题。作者报告，该框架可针对动作熵与状态熵的任意混合，将原有约束优化转化为无约束凸优化；纯动作熵和纯状态熵情形则作为混合形式的极限纳入。其主要贡献在于优化表述的统一，而非摘要中已经验证的学习速度或泛化性能提升；摘要提及正则化、泛化、加速学习与鲁棒性，是相关问题的研究动机，不能据此认定本文已取得相应实证效果。 尚需核对熵的具体定义、状态占据分布的处理方式、对偶成立与凸性所需条件，以及极限情形的数学推导。摘要未提供具体求解算法、数据集、对照基线或量化结果，实验协议、消融及统计信息尚未验证。本文主要研究对象是通用决策优化理论，所给材料未建立其与 EEG 或 BCI 的具体机制对应关系，因此不据此推断 BCI 有效性。