แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการเรียนรู้การเสริมกำลังแบบหลายตัวแทน
ศึกษาวิธีที่ตัวแทนการเรียนรู้การเสริมกำลังเรียนรู้ภายใต้รางวัลที่มีร่วมกัน การเปลี่ยนแปลงคู่ต่อสู้ มุมมองบางส่วน และข้อจำกัดในการประสานงาน
คำถาม 1 ของ 8
อะไรทำให้สภาพแวดล้อม 'ไม่อยู่กับที่' จากมุมมองของตัวแทนคนหนึ่งใน MARL
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- อะไรทำให้สภาพแวดล้อม 'ไม่อยู่กับที่' จากมุมมองของตัวแทนคนหนึ่งใน MARL
- ตัวแทนอื่นๆ กำลังเรียนรู้และเปลี่ยนแปลงนโยบายของตนเองไปพร้อมๆ กัน
- ฟังก์ชั่นรางวัลจะถูกรีเซ็ตแบบสุ่มในแต่ละตอน
- พื้นที่ของรัฐเติบโตอย่างไร้ขอบเขตเมื่อเวลาผ่านไป
- เซ็นเซอร์ส่งกลับการสังเกตที่มีเสียงดัง
- 'การฝึกอบรมแบบรวมศูนย์พร้อมการดำเนินการแบบกระจายอำนาจ' (CTDE) หมายความว่าอย่างไร
- เจ้าหน้าที่ได้รับการฝึกอบรมและทำงานบนเซิร์ฟเวอร์กลางเครื่องเดียว
- นักวิจารณ์ที่ใช้ร่วมกันใช้ข้อมูลทั่วโลกในระหว่างการฝึกอบรม แต่เจ้าหน้าที่จะดำเนินการตามข้อสังเกตในท้องถิ่นเมื่อปรับใช้
- เอเจนต์หลักหนึ่งออกคำสั่งให้กับเอเจนต์อื่น ๆ ทั้งหมดในรันไทม์
- ข้อมูลการฝึกอบรมจะรวมศูนย์ แต่รางวัลจะกระจายอำนาจ
- กรอบงานทางคณิตศาสตร์ใดสรุป MDP แบบเอเจนต์เดียวให้เป็นแบบหลายเอเจนต์
- โปรแกรมเชิงเส้น
- โมเดลมาร์คอฟที่ซ่อนอยู่
- เกม Markov (เกมสุ่ม)
- หุ่นยนต์ที่มีสถานะจำกัด
- ในการตั้งค่า MARL ที่ให้ความร่วมมืออย่างแท้จริง โดยทั่วไปแล้วรางวัลจะมีโครงสร้างอย่างไร
- เจ้าหน้าที่แต่ละคนจะได้รางวัลสูงสุดซึ่งเป็นผลลบของผู้อื่น
- เฉพาะตัวแทนที่เร็วที่สุดเท่านั้นที่จะได้รับรางวัล
- รางวัลจะถูกสุ่มในแต่ละขั้นตอน
- ตัวแทนแบ่งปันรางวัลร่วมกันของทีมที่พวกเขาร่วมกันสร้างให้สูงสุด
- Which training approach did OpenAI Five use to improve at Dota 2?
- Self-play against copies of its own current and past policies
- A fixed lookup table of human moves
- A supervised-only classifier trained on image labels
- A single policy trained only against a static scripted opponent
- เหตุใด 'การกำหนดเครดิต' จึงยากเป็นพิเศษในสหกรณ์ MARL
- รางวัลมาถึงทันทีและติดตามได้ง่าย
- เป็นการยากที่จะตัดสินว่าการกระทำของตัวแทนคนใดมีส่วนทำให้เกิดผลลัพธ์ของทีมร่วมกัน
- มีตัวแทนเพียงคนเดียวเท่านั้นที่ได้รับรางวัล
- ตัวแทนไม่สามารถรับรางวัลใดๆ ได้เลย
- What structural constraint does QMIX place on its mixing network?
- It must be a linear sum with fixed weights
- It ignores all individual agent values
- The joint action-value is monotonic in each agent’s individual value
- It requires communication at every action step
- How does Value Decomposition Networks (VDN) form the team action-value?
- By multiplying all rewards by the number of agents
- By selecting the largest local reward only
- By training a separate team for each agent
- By summing the individual agents’ action-values