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.
Вопрос 1 из 8
Что определяет автономное (пакетное) обучение с подкреплением?
Предварительный просмотр каждого вопроса8 вопросы
Ответы и пояснения появляются по мере прохождения теста.
- 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
- 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
- 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.
- 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.
- 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
- 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
- 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.
- 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