Batch Constrained Q-learning (BCQ)

ブートストラップ誤差

ポリシーが自身の価値推定を用いて改善を行う際に蓄積される誤差で、データのサポートから逸脱する発散を引き起こす。オフライン手法では、このバイアスを制御するための特定の技術が用いられる。

← 戻る