Apprentissage Temporel Différentiel

এলিজিবিলিটি ট্রেস

একটি মেকানিজম যা সাম্প্রতিক সময়ে ভিজিট করা স্টেট বা অ্যাকশনগুলোর স্বল্পমেয়াদী মেমোরি সংরক্ষণ করে, রিইনফোর্সমেন্ট লার্নিংয়ে ক্রেডিট বা ব্লেম আরও কার্যকরভাবে বণ্টন করতে সাহায্য করে।

← ফিরে যান