Batch Constrained Q-learning (BCQ)

Оценка функции ценности

Процесс оценки Q-значений из офлайн данных с учетом потенциального смещения из-за отсутствия исследования. Современные методы используют методы консервативного недооценивания для избежания сверхоптимизации.

← Назад