无需 TD 学习的强化学习：分治法实现可扩展的 off-policy RL

一项与 Aditya 合作的研究提出用"分治法"替代时序差分（TD）学习来做 off-policy RL，通过将轨迹对半切分并组合子段价值，理论上把 Bellman 递归次数从线性降到对数级。该方法在 goal-conditioned RL 中利用三角不等式构造"传递式"Bellman 更新，据称是首个将分治价值学习扩展到高复杂度任务的工作。目前仍待解决的问题是如何选取最优子目标 w。