Presná definícia
Čo znamená odmena?
Odmena je skalárny signál, ktorý prostredie priradí prechodu alebo situácii a ktorého dlhodobý súčet sa agent učí maximalizovať. Je špecifikáciou optimalizačného cieľa, nie nevyhnutne úplným opisom žiaduceho správania.
Skúsenosť a kontext
Ako sa pojem používa v praxi
Pri plánovaní trás odmena kombinuje doručenie, čas a tvrdé bezpečnostné obmedzenia. Tím testuje hraničné scenáre, či agent nezískava body obchádzaním zámeru.
Overiteľnosť
Odborné zdroje
Praktické odpovede
Často kladené otázky
Čo presne znamená odmena?
Odmena je skalárny signál, ktorý prostredie priradí prechodu alebo situácii a ktorého dlhodobý súčet sa agent učí maximalizovať.
Kedy sa odmena používa?
Pri plánovaní trás odmena kombinuje doručenie, čas a tvrdé bezpečnostné obmedzenia.
Od čoho treba odmena odlíšiť?
Loss sa minimalizuje pri aktualizácii modelu; reward hodnotí dôsledok správania v prostredí.
Ako sa odmena kontroluje?
Kontroluje sa znamienko, mierka, časovanie, discount, konflikty zložiek, reward hacking a súlad s ľudským cieľom.
Aké obmedzenie má odmena?
Neúplná odmena môže viesť k špecifikačnému gaming-u: agent optimalizuje číslo a poškodí skutočný cieľ.