Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Offline megerősítési tanulási kvíz
Explore fixed-dataset reinforcement learning, distribution shift, and representative conservative and sequence-modeling methods.
kérdés 1 -ból 8
Mi határozza meg az offline (kötegelt) megerősítő tanulást?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mi határozza meg az offline (kötegelt) megerősítő tanulást?
- Tanulás egy rögzített adatkészletből új környezeti interakció nélkül
- Tanulás csak folyamatos élő felfedezés útján
- Edzés jutalomjel nélkül
- Következtetés futtatása modell nélkül
- Mi a központi technikai kihívás az offline RL-ben?
- Bármilyen adat hiánya
- Elosztási eltolódás és az elosztáson kívüli akciók túlbecslése
- Túlzott online felfedezés
- Túl kevés paraméter van a hálózatban
- 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
- Hogyan küzd a konzervatív Q-Learning (CQL) a túlbecslés ellen?
- Értékek felfújásával a láthatatlan tettekért
- A jutalom teljes eltávolításával
- Ha többet fedez fel a való világban
- A Q-értékek leszabályozásával az elosztáson kívüli műveletekhez
- Hogyan alakítja át a Decision Transformer az offline RL-t?
- Sorozatmodellezésként, amely előrejelzi a kívánt megtérüléshez kötött cselekvéseket
- Az állapotok klasztereződéseként
- Tiszta véletlenszerű keresésként
- Felügyelt képbesorolásként
- Miért nem lehet a szabványos online RL-algoritmusokat egyszerűen offline állapotban használni?
- Neurális hálózatuk nincs
- Nem gyűjthetnek korrekciós adatokat az érték túlbecslésének kijavításához
- Soha nem használnak jutalmakat
- Nem igényelnek politikát
- 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