机构名称：
¥ 2.0
在经验（深）RL研究中确实是这种情况，在这种情况下，算法通过与模拟环境相互作用与样品数据轨迹相互作用，从而发现了近乎最佳的策略。这里的目标非常明确：使用给定数量的计算找到一个良好的策略，其中包括算法的成本和模拟器的采样数据的成本。While this paradigm has led to impressive successes in difficult simulation tasks [ 75 , 87 ], it becomes increas- ingly clear that the above paradigm is insufficient for many potential applications we hope to apply RL to, in- cluding adaptive clinical trials [ 112 , 113 , 79 , 74 ], rec- ommendation systems and customer relationship manage- ment [ 114 , 1 ], online education [ 12 , 64 ], and 更多的。上述情况的一个共同点是，人类/用户/学生是“环境”的一部分，很难为人类的心理/生物学方面提出准确的模拟器。其中 -
大型状态空间中的离线增强学习
主要关键词
相关文件推荐
