선형 TD($\lambda$)는 정책 평가를 위한 가장 기본적인 강화 학습 알고리즘 중 하나입니다. 기존에는 선형 독립 특징을 가정하여 수렴 속도가 설정되었지만, 이는 많은 실제 시나리오에서 성립하지 않습니다. 본 논문에서는 알고리즘 수정이나 추가적인 가정을 하지 않고, 임의의 특징 하에서 작동하는 선형 TD($\lambda$)에 대한 최초의 $L^2$ 수렴 속도를 설정합니다. 이러한 결과는 할인 및 평균 보상 설정 모두에 적용됩니다. 임의의 특징으로 인한 잠재적인 솔루션의 비유일성을 해결하기 위해, 단일 지점이 아닌 솔루션 세트에 대한 수렴 속도를 특징으로 하는 새로운 확률적 근사 결과를 개발했습니다.
