แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการเรียนรู้การเสริมกำลังแบบออฟไลน์

สำรวจการเรียนรู้เสริมกำลังชุดข้อมูลคงที่, การเลื่อนการแจกแจง และวิธีจำลองแบบอนุรักษ์นิยมและลำดับที่เป็นตัวแทน

เส้นทางแนะนำที่เกี่ยวข้องการเรียนรู้การเสริมกำลังแบบออฟไลน์
คำถาม 1 ของ 8

อะไรเป็นตัวกำหนดการเรียนรู้แบบเสริมกำลังแบบออฟไลน์ (ชุด)

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. อะไรเป็นตัวกำหนดการเรียนรู้แบบเสริมกำลังแบบออฟไลน์ (ชุด)
    • การเรียนรู้จากชุดข้อมูลคงที่โดยไม่ต้องโต้ตอบกับสภาพแวดล้อมใหม่
    • การเรียนรู้ผ่านการสำรวจสดอย่างต่อเนื่องเท่านั้น
    • การฝึกโดยไม่มีสัญญาณรางวัลใดๆ
    • การอนุมานแบบรันโดยไม่มีโมเดลใดๆ
  2. ความท้าทายทางเทคนิคที่สำคัญใน RL ออฟไลน์คืออะไร
    • ขาดข้อมูลใดๆ
    • การเปลี่ยนแปลงการกระจายและการประเมินค่าสูงเกินไปของการดำเนินการนอกการกระจาย
    • การสำรวจออนไลน์มากเกินไป
    • พารามิเตอร์ในเครือข่ายน้อยเกินไป
  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. Conservative Q-Learning (CQL) ต่อสู้กับการประเมินค่าสูงเกินไปได้อย่างไร
    • โดยการเพิ่มค่าให้กับการกระทำที่มองไม่เห็น
    • โดยเอารางวัลออกไปโดยสิ้นเชิง
    • โดยการสำรวจเพิ่มเติมในโลกแห่งความเป็นจริง
    • โดยการลดค่า Q ให้เป็นปกติสำหรับการดำเนินการที่ไม่กระจาย
  5. Decision Transformer ปรับเฟรม RL ออฟไลน์อย่างไร
    • เป็นการสร้างแบบจำลองลำดับที่คาดการณ์การกระทำที่มีเงื่อนไขตามผลตอบแทนที่ต้องการ
    • เป็นกลุ่มรัฐต่างๆ
    • เป็นการค้นหาแบบสุ่มล้วนๆ
    • การจัดหมวดหมู่ภาพภายใต้การดูแล
  6. เหตุใดจึงไม่สามารถใช้อัลกอริทึม RL ออนไลน์มาตรฐานแบบออฟไลน์ได้
    • พวกเขาไม่มีโครงข่ายประสาทเทียม
    • พวกเขาไม่สามารถรวบรวมข้อมูลการแก้ไขเพื่อแก้ไขการประเมินค่าสูงเกินไปได้
    • พวกเขาไม่เคยใช้รางวัล
    • พวกเขาไม่ต้องการนโยบาย
  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