无需 TD 学习的强化学习：分治法如何扩展到长时程任务

一篇博文提出用"分治"范式替代时序差分（TD）学习来做 off-policy 强化学习，通过将轨迹一分为二并组合子段价值，理论上把 Bellman 递归次数从线性降到对数级。作者称与 Aditya 合作的最新工作首次将分治价值学习扩展到目标条件强化学习这类高复杂度任务，且无需像 n-step TD 那样调节 n 超参数。