Presná definícia
Čo znamená dvojitá DQN?
Dvojitá DQN obmedzuje nadhodnotenie tým, že online sieť vyberá najlepšiu ďalšiu akciu, kým cieľová sieť hodnotí jej Q-hodnotu. Oddeľuje tak selekciu od evaluácie v bootstrapovanom cieli.
Skúsenosť a kontext
Ako sa pojem používa v praxi
Tím porovná DQN a Double DQN na rovnakých replay dátach a semenách. Okrem návratnosti sleduje rozdiel predikovaných Q a realizovaných návratov.
Overiteľnosť
Odborné zdroje
Praktické odpovede
Často kladené otázky
Čo presne znamená dvojitá DQN?
Dvojitá DQN obmedzuje nadhodnotenie tým, že online sieť vyberá najlepšiu ďalšiu akciu, kým cieľová sieť hodnotí jej Q-hodnotu.
Kedy sa dvojitá DQN používa?
Tím porovná DQN a Double DQN na rovnakých replay dátach a semenách.
Od čoho treba dvojitá DQN odlíšiť?
DQN používa maximum cieľovej siete na výber aj hodnotenie; Double DQN tieto dve úlohy rozdelí.
Ako sa dvojitá DQN kontroluje?
Kontroluje sa implementácia argmax a gather, synchronizácia sietí, nadhodnotenie, návratnosť a ablačný experiment.
Aké obmedzenie má dvojitá DQN?
Metóda redukuje jeden zdroj biasu, no nerieši slabé dáta, chybnú odmenu ani nestabilnú reprezentáciu.