Gids-gekoppelde quiz · Middelmatig Niveau
Offline versterkingsleerquiz
Ontdek het leren van versterking van vaste datasets, distributieverschuiving en representatieve conservatieve en sequentiemodelleringsmethoden.
Vraag 1 van 8
Wat definieert offline (batch) bekrachtigingsleren?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat definieert offline (batch) bekrachtigingsleren?
- Leren van een vaste dataset zonder nieuwe omgevingsinteractie
- Alleen leren door middel van continue live verkenning
- Trainen zonder enig beloningssignaal
- Gevolgtrekking uitvoeren zonder enig model
- Wat is de centrale technische uitdaging bij offline RL?
- Gebrek aan gegevens
- Distributieverschuiving en overschatting van acties buiten de distributie
- Overmatige online verkenning
- Te weinig parameters in het netwerk
- 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
- Hoe gaat Conservative Q-Learning (CQL) overschatting tegen?
- Door waarden voor ongeziene acties op te blazen
- Door de beloning volledig te verwijderen
- Door meer te ontdekken in de echte wereld
- Door Q-waarden naar beneden te regulariseren voor acties die buiten de distributie vallen
- Hoe herformuleert de Decision Transformer offline RL?
- Als sequentiemodellering die acties voorspelt op basis van het gewenste rendement
- Als clustering van staten
- Als puur willekeurig zoeken
- Als begeleide beeldclassificatie
- Waarom kunnen standaard online RL-algoritmen niet gewoon offline worden gebruikt?
- Ze hebben geen neuraal netwerk
- Ze kunnen geen corrigerende gegevens verzamelen om de overschatting van de waarde op te lossen
- Ze gebruiken nooit beloningen
- Ze vereisen geen beleid
- 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