Batch Constrained Q-learning (BCQ)

Сдвиг Распределения

Феномен, когда распределение состояний-действий, посещаемых изученной политикой, значительно отличается от распределения офлайн набора данных. Этот сдвиг может привести к смещенным оценкам ценности и ухудшенной производительности при развертывании.

← Назад