Presná definícia
Čo znamená zovšeobecnený odhad výhody?
Zovšeobecnený odhad výhody kombinuje viac-krokové TD rezíduá s exponenciálnymi váhami riadenými parametrom λ. Menšie λ znižuje rozptyl za cenu väčšieho biasu, väčšie sa približuje Monte Carlo návratu.
Skúsenosť a kontext
Ako sa pojem používa v praxi
Tím vypočíta GAE so správnymi maskami konca epizódy, normalizuje ho v dávke a abláciou porovná viac hodnôt lambda pri rovnakom kritikovi.
Overiteľnosť
Odborné zdroje
Praktické odpovede
Často kladené otázky
Čo presne znamená zovšeobecnený odhad výhody?
Zovšeobecnený odhad výhody kombinuje viac-krokové TD rezíduá s exponenciálnymi váhami riadenými parametrom λ.
Kedy sa zovšeobecnený odhad výhody používa?
Tím vypočíta GAE so správnymi maskami konca epizódy, normalizuje ho v dávke a abláciou porovná viac hodnôt lambda pri rovnakom kritikovi.
Od čoho treba zovšeobecnený odhad výhody odlíšiť?
Jednokroková TD výhoda používa jedno rezíduum; GAE agreguje reťaz rezíduí s váhou γλ.
Ako sa zovšeobecnený odhad výhody kontroluje?
Kontroluje sa spätná rekurzia, gamma, lambda, bootstrapping pri time-limit, terminálne masky a korelácia s návratmi.
Aké obmedzenie má zovšeobecnený odhad výhody?
Nevhodná kombinácia lambda a nepresného kritika môže vytvoriť hladký, ale systematicky skreslený signál.