Presná definícia
Čo znamená kontextový bandita?
Kontextový bandita pozoruje kontext, zvolí akciu a dostane odmenu iba za zvolenú akciu, pričom nemodeluje dlhodobý prechod stavu. Učí podmienenú politiku, ktorá prispôsobuje voľbu vlastnostiam situácie.
Skúsenosť a kontext
Ako sa pojem používa v praxi
Systém vyberá formu pomoci podľa typu zariadenia a úlohy. Loguje kontext, akciu, odmenu aj propensity, aby umožnil off-policy porovnanie politík.
Overiteľnosť
Odborné zdroje
Praktické odpovede
Často kladené otázky
Čo presne znamená kontextový bandita?
Kontextový bandita pozoruje kontext, zvolí akciu a dostane odmenu iba za zvolenú akciu, pričom nemodeluje dlhodobý prechod stavu.
Kedy sa kontextový bandita používa?
Systém vyberá formu pomoci podľa typu zariadenia a úlohy.
Od čoho treba kontextový bandita odlíšiť?
Klasický bandit nemá kontext; contextual bandit podmieňuje očakávanú odmenu na pozorovaných príznakoch.
Ako sa kontextový bandita kontroluje?
Overuje sa dostupnosť kontextu v čase voľby, propensity, overlap, oneskorená odmena, drift a segmentová férovosť.
Aké obmedzenie má kontextový bandita?
Chýbajúci overlap znemožní hodnotiť nové akcie pre niektoré kontexty a confounding skreslí observačné logy.