通过学习率随机化实现无模型后验采样

基于摘要分析。本文研究回合式马尔可夫决策过程（MDP）中的遗憾最小化，提出随机化无模型算法 Randomized Q-learning（RandQL），以学习率随机化实现基于后验采样的探索。其主要研究对象是强化学习中的决策与探索，而非神经信号建模或 BCI 解码。 机制上，作者提出通过随机化学习率实现乐观探索，不依赖显式探索奖励项（bonus）。作者称，据其所知，RandQL 是首个计算上可处理的无模型后验采样算法；这一优先性声明尚未独立核实。摘要未提供学习率的具体分布、Q 值更新方式及后验采样的实现细节，尚不能据此重建算法。 理论方面，作者报告：在表格型 MDP 中，遗憾上界为 Õ(√(H⁵SAT))，其中 H 为规划时域，S 为状态数，A 为动作数，T 为回合数；在度量状态—动作空间中，上界为 Õ(H^(5/2)T^((d_z+1)/(d_z+2)))，其中 d_z 为 zooming dimension。两项结论对应不同状态—动作空间设定，不能脱离假设直接比较。界成立所需的其他条件、隐藏因子及证明细节尚未验证。 实证方面，作者报告 RandQL 在基准探索环境中优于已有方法，但摘要未列出环境名称、对照算法、评价数值或重复实验信息，实验协议、消融及统计信息尚未验证。材料也未提供 EEG/BCI 任务、神经信号数据或具体机制对应关系，因此不据此生成 BCI 迁移结论或复现实验建议；已有 EEG 相关工作尚未检索确认。