ব্যাচ সীমাবদ্ধ Q-লার্নিং (BCQ)
ডিস্ট্রিবিউশন শিফট
একটি ঘটনা যেখানে শেখা নীতির দ্বারা পরিদর্শিত অবস্থা-ক্রিয়ার বিতরণ অফলাইন ডেটাসেটের বিতরণ থেকে উল্লেখযোগ্যভাবে আলাদা হয়। এই বিচ্যুতি মান অনুমানকে পক্ষপাতদুষ্ট করতে পারে এবং স্থাপনার সময় কর্মক্ষমতা হ্রাস করতে পারে।
← ফিরে যান