不依赖 TD 学习的强化学习：用分治范式实现可扩展的 off-policy RL

Berkeley AI Research 提出一种不基于时序差分（TD）学习的强化学习范式——分治法。该方法通过将轨迹对半切分、用两段子轨迹的值相乘来更新整体价值，理论上可将 Bellman 递归次数从线性降为对数级，缓解 TD 学习中误差随时长累积的问题。