แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการเรียนรู้การเสริมกำลังแบบออฟไลน์
สำรวจการเรียนรู้เสริมกำลังชุดข้อมูลคงที่, การเลื่อนการแจกแจง และวิธีจำลองแบบอนุรักษ์นิยมและลำดับที่เป็นตัวแทน
คำถาม 1 ของ 8
อะไรเป็นตัวกำหนดการเรียนรู้แบบเสริมกำลังแบบออฟไลน์ (ชุด)
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- อะไรเป็นตัวกำหนดการเรียนรู้แบบเสริมกำลังแบบออฟไลน์ (ชุด)
- การเรียนรู้จากชุดข้อมูลคงที่โดยไม่ต้องโต้ตอบกับสภาพแวดล้อมใหม่
- การเรียนรู้ผ่านการสำรวจสดอย่างต่อเนื่องเท่านั้น
- การฝึกโดยไม่มีสัญญาณรางวัลใดๆ
- การอนุมานแบบรันโดยไม่มีโมเดลใดๆ
- ความท้าทายทางเทคนิคที่สำคัญใน RL ออฟไลน์คืออะไร
- ขาดข้อมูลใดๆ
- การเปลี่ยนแปลงการกระจายและการประเมินค่าสูงเกินไปของการดำเนินการนอกการกระจาย
- การสำรวจออนไลน์มากเกินไป
- พารามิเตอร์ในเครือข่ายน้อยเกินไป
- 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
- Conservative Q-Learning (CQL) ต่อสู้กับการประเมินค่าสูงเกินไปได้อย่างไร
- โดยการเพิ่มค่าให้กับการกระทำที่มองไม่เห็น
- โดยเอารางวัลออกไปโดยสิ้นเชิง
- โดยการสำรวจเพิ่มเติมในโลกแห่งความเป็นจริง
- โดยการลดค่า Q ให้เป็นปกติสำหรับการดำเนินการที่ไม่กระจาย
- Decision Transformer ปรับเฟรม RL ออฟไลน์อย่างไร
- เป็นการสร้างแบบจำลองลำดับที่คาดการณ์การกระทำที่มีเงื่อนไขตามผลตอบแทนที่ต้องการ
- เป็นกลุ่มรัฐต่างๆ
- เป็นการค้นหาแบบสุ่มล้วนๆ
- การจัดหมวดหมู่ภาพภายใต้การดูแล
- เหตุใดจึงไม่สามารถใช้อัลกอริทึม RL ออนไลน์มาตรฐานแบบออฟไลน์ได้
- พวกเขาไม่มีโครงข่ายประสาทเทียม
- พวกเขาไม่สามารถรวบรวมข้อมูลการแก้ไขเพื่อแก้ไขการประเมินค่าสูงเกินไปได้
- พวกเขาไม่เคยใช้รางวัล
- พวกเขาไม่ต้องการนโยบาย
- 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