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.

Kapcsolódó útmutató utakTöbb ügynök megerősítő tanulás
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.

  1. 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
  2. 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
  3. Melyik matematikai keret általánosítja az együgynökös MDP-t több ügynökre?
    • Lineáris program
    • Egy rejtett Markov modell
    • Markov-játék (sztochasztikus játék)
    • Véges állapotú automata
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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