Kuiz Pembelajaran Pengukuhan Luar Talian

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

1. Apakah yang mentakrifkan pembelajaran peneguhan luar talian (kelompok)?
   • Belajar daripada set data tetap tanpa interaksi persekitaran baharu
   • Belajar hanya melalui penerokaan langsung secara berterusan
   • Latihan tanpa sebarang isyarat ganjaran
   • Menjalankan inferens tanpa sebarang model
2. Apakah cabaran teknikal utama dalam RL luar talian?
   • Kekurangan sebarang data
   • Peralihan pengedaran dan anggaran berlebihan tindakan luar pengedaran
   • Penerokaan dalam talian yang berlebihan
   • Terlalu sedikit parameter dalam rangkaian
3. 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
4. Bagaimanakah Pembelajaran Q-Pembelajaran Konservatif (CQL) melawan anggaran yang berlebihan?
   • Dengan melambung nilai untuk tindakan yang tidak kelihatan
   • Dengan mengeluarkan pahala sepenuhnya
   • Dengan meneroka lebih banyak lagi dalam dunia sebenar
   • Dengan menormalkan nilai Q untuk tindakan luar pengedaran
5. Bagaimanakah Decision Transformer merangka semula RL luar talian?
   • Sebagai pemodelan jujukan yang meramalkan tindakan yang dikondisikan pada pulangan yang diingini
   • Sebagai pengelompokan negeri
   • Sebagai carian rawak tulen
   • Sebagai klasifikasi imej yang diselia
6. Mengapakah algoritma RL dalam talian standard tidak boleh digunakan seperti di luar talian?
   • Mereka tidak mempunyai rangkaian saraf
   • Mereka tidak boleh mengumpul data pembetulan untuk membetulkan anggaran terlebih nilai
   • Mereka tidak pernah menggunakan ganjaran
   • Mereka tidak memerlukan dasar
7. 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
8. 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