Presná definícia
Čo znamená aktér-kritik?
Aktér-kritik je architektúra, v ktorej aktér reprezentuje politiku a kritik odhaduje hodnotu alebo výhodu používanú na jej aktualizáciu. Spája priamu optimalizáciu politiky s bootstrapovaným odhadom dlhodobého výsledku.
Skúsenosť a kontext
Ako sa pojem používa v praxi
Robotický agent má stochastického aktéra a kritika V(s). Tím sleduje oddelene policy loss, value error, entropiu a realizovanú návratnosť naprieč semenami.
Overiteľnosť
Odborné zdroje
Praktické odpovede
Často kladené otázky
Čo presne znamená aktér-kritik?
Aktér-kritik je architektúra, v ktorej aktér reprezentuje politiku a kritik odhaduje hodnotu alebo výhodu používanú na jej aktualizáciu.
Kedy sa aktér-kritik používa?
Robotický agent má stochastického aktéra a kritika V(s).
Od čoho treba aktér-kritik odlíšiť?
Policy gradient môže používať celý návrat bez kritika; actor-critic používa naučený hodnotový baseline alebo TD cieľ.
Ako sa aktér-kritik kontroluje?
Kontroluje sa tok gradientu, synchronizácia cieľov, bias kritika, entropia, clipping, škála odmien a nezávislé hodnotenie.
Aké obmedzenie má aktér-kritik?
Chybný kritik systematicky vedie aktéra nesprávnym smerom a obe siete môžu spoločne skolabovať.