गाइड से जुड़ी प्रश्नोत्तरी · मध्यम स्तर
ऑफ़लाइन सुदृढीकरण सीखना प्रश्नोत्तरी
निश्चित-डेटासेट सुदृढीकरण सीखने, वितरण बदलाव, और प्रतिनिधि रूढ़िवादी और अनुक्रम-मॉडलिंग विधियों का अन्वेषण करें।
प्रश्न 1 का 8
ऑफ़लाइन (बैच) सुदृढीकरण सीखने को क्या परिभाषित करता है?
प्रत्येक प्रश्न का पूर्वावलोकन करें8 प्रश्न
जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।
- ऑफ़लाइन (बैच) सुदृढीकरण सीखने को क्या परिभाषित करता है?
- नए परिवेश के संपर्क के बिना एक निश्चित डेटासेट से सीखना
- निरंतर जीवंत अन्वेषण के माध्यम से ही सीखना
- बिना किसी इनाम संकेत के प्रशिक्षण
- बिना किसी मॉडल के चल रहा अनुमान
- ऑफ़लाइन आरएल में केंद्रीय तकनीकी चुनौती क्या है?
- किसी भी डेटा का अभाव
- वितरण संबंधी बदलाव और वितरण से बाहर की कार्रवाइयों का अधिक आकलन
- अत्यधिक ऑनलाइन अन्वेषण
- नेटवर्क में बहुत कम पैरामीटर
- 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
- कंजर्वेटिव क्यू-लर्निंग (सीक्यूएल) अतिमूल्यांकन का मुकाबला कैसे करता है?
- अनदेखी कार्यों के लिए मूल्यों को बढ़ाकर
- इनाम को पूरी तरह से हटाकर
- वास्तविक दुनिया में और अधिक खोज करके
- वितरण से बाहर की कार्रवाइयों के लिए क्यू-मानों को नियमित करके
- निर्णय ट्रांसफार्मर ऑफ़लाइन आरएल को कैसे पुनः फ़्रेम करता है?
- अनुक्रम मॉडलिंग के रूप में जो वांछित रिटर्न पर वातानुकूलित कार्यों की भविष्यवाणी करता है
- राज्यों के समूहन के रूप में
- शुद्ध यादृच्छिक खोज के रूप में
- पर्यवेक्षित छवि वर्गीकरण के रूप में
- मानक ऑनलाइन आरएल एल्गोरिदम का उपयोग ऑफ़लाइन रूप में क्यों नहीं किया जा सकता?
- उनके पास कोई तंत्रिका नेटवर्क नहीं है
- वे मूल्य अधिमूल्यांकन को ठीक करने के लिए सुधारात्मक डेटा एकत्र नहीं कर सकते हैं
- वे कभी भी पुरस्कार का उपयोग नहीं करते
- उन्हें किसी नीति की आवश्यकता नहीं है
- 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
- 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