Офлайн многозадачное обучение с подкреплением

Консервативная многозадачная оптимизация политик

Метод, гарантирующий, что многозадачные политики не отклоняются значительно от поведения, наблюдаемого в пакетном наборе данных, чтобы избежать распределений выходных данных за пределами поддержки.

← Назад