Пакетное Ограниченное Q-обучение (BCQ)

Алгоритм офлайн-обучения с подкреплением, который ограничивает политики близкими к действиям, наблюдаемым в обучающем наборе данных, чтобы избежать ошибок экстраполяции. BCQ использует модель генератора действий для создания действий, похожих на пакетные, с исследованием небольших вариаций.

← Назад