Quiz collegato alla guida · Medio Livello
Quiz sull'apprendimento rinforzato offline
Esplora l'apprendimento per rinforzo di set di dati fissi, lo spostamento della distribuzione e metodi rappresentativi conservativi e di modellazione di sequenze.
Domanda 1 di 8
Cosa definisce l’apprendimento per rinforzo offline (batch)?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Cosa definisce l’apprendimento per rinforzo offline (batch)?
- Apprendimento da un set di dati fisso senza nuova interazione con l'ambiente
- Imparare solo attraverso la continua esplorazione dal vivo
- Allenamento senza alcun segnale di ricompensa
- Esecuzione di inferenza senza alcun modello
- Qual è la sfida tecnica centrale nella RL offline?
- Mancanza di dati
- Spostamento distribuzionale e sovrastima delle azioni fuori distribuzione
- Esplorazione online eccessiva
- Troppi pochi parametri nella rete
- 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
- In che modo il Conservative Q-Learning (CQL) combatte la sopravvalutazione?
- Gonfiando i valori per azioni invisibili
- Rimuovendo completamente la ricompensa
- Esplorando di più nel mondo reale
- Regolarizzando i valori Q verso il basso per le azioni fuori distribuzione
- In che modo il Decision Transformer riformula la RL offline?
- Come modellazione sequenziale che prevede azioni condizionate al rendimento desiderato
- Come raggruppamento di stati
- Come pura ricerca casuale
- Come classificazione delle immagini supervisionata
- Perché gli algoritmi RL online standard non possono essere semplicemente utilizzati così come sono offline?
- Non hanno una rete neurale
- Non possono raccogliere dati correttivi per correggere la sovrastima del valore
- Non usano mai i premi
- Non richiedono alcuna politica
- 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