无需 TD 学习的强化学习：分治法如何扩展到长时程任务

一篇新研究提出用"分治"范式替代时序差分（TD）学习来做 off-policy 强化学习，通过将轨迹对半切分并组合子段价值来更新整体价值，理论上把 Bellman 递归次数从线性降到对数级。