Викторина, связанная с руководством · Средний Уровень

Офлайн-викторина по обучению подкреплению

Изучите обучение с подкреплением фиксированного набора данных, сдвиг распределения, а также репрезентативные консервативные методы и методы последовательного моделирования.

Связанные направляющие путиАвтономное обучение с подкреплением
Вопрос 1 из 8

Что определяет автономное (пакетное) обучение с подкреплением?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Что определяет автономное (пакетное) обучение с подкреплением?
    • Обучение на фиксированном наборе данных без взаимодействия с новой средой
    • Обучение только через постоянное живое исследование
    • Обучение без какого-либо сигнала вознаграждения
    • Выполнение вывода без какой-либо модели
  2. Какова основная техническая проблема в автономном RL?
    • Отсутствие каких-либо данных
    • Сдвиг распределения и переоценка действий, выходящих за рамки распределения
    • Чрезмерное онлайн-исследование
    • Слишком мало параметров в сети
  3. Что D4RL дает исследователям, оценивающим автономные алгоритмы обучения с подкреплением?
    • Гарантия того, что автономная политика безопасна для развертывания.
    • Новый оптимизатор, который устраняет необходимость в регистрируемых данных.
    • Эталонный набор наборов данных и задач для автономной оценки RL
    • Набор данных, содержащий только онлайн-взаимодействия, собранные каждой политикой тестирования.
  4. Как консервативное Q-Learning (CQL) борется с переоценкой?
    • Завышая ценность невидимых действий
    • Полностью убрав награду
    • Исследуя больше в реальном мире
    • Путем регуляризации значений Q для действий, выходящих за пределы распределения.
  5. Как преобразователь решений переосмысливает автономное RL?
    • Как моделирование последовательности, которое прогнозирует действия в зависимости от желаемой прибыли.
    • Как кластеризация государств
    • Как чистый случайный поиск
    • В качестве контролируемой классификации изображений
  6. Почему стандартные онлайн-алгоритмы RL нельзя просто использовать в автономном режиме?
    • У них нет нейронной сети
    • Они не могут собирать корректирующие данные для исправления завышения стоимости.
    • Они никогда не используют награды
    • Они не требуют никакой политики
  7. Как BCQ снижает зависимость от действий, отсутствующих в автономном наборе данных?
    • Он добавляет случайные действия к каждому тренировочному переходу.
    • Предполагается, что каждое действие наблюдалось одинаково часто.
    • Он ограничивает действия кандидатов, чтобы они оставались рядом с действиями, которые поддерживает набор данных.
    • Он удаляет функцию ценности действия и вознаграждение.
  8. Какой метод обучения ценности является центральным в цитируемой статье Implicit Q-Learning?
    • Подбор языкового токенизатора с максимальной вероятностью
    • Равномерная регрессия по действиям, выбранным из реальной среды.
    • Контролируемая потеря классификации изображений
    • Ожидаемая регрессия по значениям, связанным с действиями с набором данных