অফলাইন শক্তিবৃদ্ধি শেখার কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. অফলাইন (ব্যাচ) শক্তিবৃদ্ধি শেখার সংজ্ঞা কি?
   • নতুন পরিবেশের মিথস্ক্রিয়া ছাড়াই একটি নির্দিষ্ট ডেটাসেট থেকে শেখা
   • শুধুমাত্র ক্রমাগত লাইভ অন্বেষণ মাধ্যমে শেখা
   • কোনো পুরস্কার সংকেত ছাড়াই প্রশিক্ষণ
   • কোন মডেল ছাড়া অনুমান চলমান
2. অফলাইন RL-এ কেন্দ্রীয় প্রযুক্তিগত চ্যালেঞ্জ কী?
   • কোনো তথ্যের অভাব
   • ডিস্ট্রিবিউশনাল শিফট এবং ডিস্ট্রিবিউশনের বাইরে কর্মের অত্যধিক মূল্যায়ন
   • অত্যধিক অনলাইন অন্বেষণ
   • নেটওয়ার্কে খুব কম পরামিতি
3. What does D4RL provide to researchers evaluating offline reinforcement-learning algorithms?
   • A guarantee that an offline policy is safe to deploy
   • A new optimizer that removes the need for logged data
   • A benchmark suite of datasets and tasks for offline RL evaluation
   • A dataset containing only online interactions collected by each test policy
4. কিভাবে কনজারভেটিভ কিউ-লার্নিং (CQL) অতিরিক্ত মূল্যায়নের বিরুদ্ধে লড়াই করে?
   • অদেখা কর্মের জন্য মান স্ফীত করে
   • পুরষ্কার সম্পূর্ণরূপে মুছে ফেলার মাধ্যমে
   • বাস্তব জগতে আরো অন্বেষণ করে
   • বন্টন বহির্ভূত ক্রিয়াগুলির জন্য Q-মানগুলিকে নিয়মিত করার মাধ্যমে
5. কিভাবে ডিসিশন ট্রান্সফরমার অফলাইন RL রিফ্রেম করে?
   • সিকোয়েন্স মডেলিং হিসাবে যা কাঙ্ক্ষিত রিটার্নের শর্তযুক্ত কর্মের পূর্বাভাস দেয়
   • রাজ্যগুলির ক্লাস্টারিং হিসাবে
   • বিশুদ্ধ র্যান্ডম অনুসন্ধান হিসাবে
   • তত্ত্বাবধানে ইমেজ শ্রেণীবিভাগ হিসাবে
6. কেন স্ট্যান্ডার্ড অনলাইন আরএল অ্যালগরিদমগুলি অফলাইনের মতো ব্যবহার করা যায় না?
   • তাদের কোন নিউরাল নেটওয়ার্ক নেই
   • মূল্য অত্যধিক মূল্যায়ন ঠিক করার জন্য তারা সংশোধনমূলক তথ্য সংগ্রহ করতে পারে না
   • তারা কখনও পুরস্কার ব্যবহার করে না
   • তাদের কোন নীতির প্রয়োজন নেই
7. How does BCQ reduce reliance on actions absent from an offline dataset?
   • It adds random actions to every training transition
   • It assumes every action has been observed equally often
   • It constrains candidate actions to stay near actions the dataset supports
   • It removes the action-value function and reward
8. What value-learning method is central to the cited Implicit Q-Learning paper?
   • Maximum-likelihood fitting of a language tokenizer
   • Uniform regression over actions sampled from a live environment
   • A supervised image-classification loss
   • Expectile regression over values associated with dataset actions