行動認識補助補正によるオフポリシー時間差分予測

ニュース概要

関数近似を伴う時間差分学習はオフポリシーサンプリング下で不安定になる可能性があります。TDCは補助共分散補正を通じてオフポリシーTDを安定化し、TDRCはこれをさらに単一時間スケール再帰で正則化します。本論文は行動認識置換について研究しています...