不依赖 TD 学习的强化学习：用分治法扩展 off-policy RL

一篇新文章提出用"分治法"替代时序差分（TD）学习来做 off-policy 强化学习，通过将轨迹对半切分并组合子段价值来更新价值函数，理论上把 Bellman 递归次数从线性降到对数级。作者与 Aditya 合作的工作首次将分治式价值学习扩展到 goal-conditioned RL 这类复杂任务，并给出基于三角不等式的传递性 Bellman 更新规则。难点在于如何选取最优子目标 w。