Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Többszereplős megerősítő tanulási kvíz
Study how several reinforcement-learning agents learn under shared rewards, changing opponents, partial views and coordination constraints.
kérdés 1 -ból 8
Mi teszi a környezetet „nem stacionáriussá” egy ügynök szemszögéből a MARL-ban?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mi teszi a környezetet „nem stacionáriussá” egy ügynök szemszögéből a MARL-ban?
- Más ügynökök egyidejűleg tanulnak és változtatnak saját irányelveiken
- A jutalom funkció minden epizódban véletlenszerűen visszaáll
- Az állapottér idővel korlátlanul növekszik
- Az érzékelők zajos megfigyeléseket adnak vissza
- Mit jelent a „centralizált képzés decentralizált végrehajtással” (CTDE)?
- Az ügynökök képzése és futtatása egyetlen központi szerveren történik
- A közös kritikusok globális információkat használnak fel a képzés során, de az ügynökök a helyi megfigyelések alapján cselekszenek a telepítéskor
- Az egyik főügynök futás közben parancsokat ad ki az összes többinek
- A képzési adatok centralizáltak, de a jutalmak decentralizáltak
- Melyik matematikai keret általánosítja az együgynökös MDP-t több ügynökre?
- Lineáris program
- Egy rejtett Markov modell
- Markov-játék (sztochasztikus játék)
- Véges állapotú automata
- A tisztán együttműködő MARL-környezetben hogyan épül fel általában a jutalom?
- Minden ügynök maximalizálja azt a jutalmat, amely a másiké negatívuma
- Csak a leggyorsabb ügynök kap jutalmat
- A jutalmakat minden lépésben véletlenszerűen osztják ki
- Az ügynökök osztoznak egy közös csapatjutalmon, amelyet közösen maximalizálnak
- Which training approach did OpenAI Five use to improve at Dota 2?
- Self-play against copies of its own current and past policies
- A fixed lookup table of human moves
- A supervised-only classifier trained on image labels
- A single policy trained only against a static scripted opponent
- Miért különösen nehéz a „hitelkiosztás” a MARL szövetkezetben?
- A jutalmak azonnal megérkeznek, és könnyen nyomon követhetők
- Nehéz meghatározni, hogy melyik ügynök tettei járultak hozzá a közös csapat eredményéhez
- Mindig csak egy ügynök kap jutalmat
- Az ügynökök egyáltalán nem vehetnek figyelembe jutalmat
- What structural constraint does QMIX place on its mixing network?
- It must be a linear sum with fixed weights
- It ignores all individual agent values
- The joint action-value is monotonic in each agent’s individual value
- It requires communication at every action step
- How does Value Decomposition Networks (VDN) form the team action-value?
- By multiplying all rewards by the number of agents
- By selecting the largest local reward only
- By training a separate team for each agent
- By summing the individual agents’ action-values