jotun82 https://blog.hatena.ne.jp/jotun82/ jotunの頭の中 https://jotun82-brain.hatenadiary.org/ 予期せぬ報酬が得られたら、それによって何らかの行動なり状況なりの価値を更新するわけだが、現実の世界では「どの価値を更新するか？」という問題が存在する。単純な強化学習では直前の行動だけ価値を更新するし（ただこれによってその行動自体に価値が生じるので、次回の試行からはこの行動に繋がる別の行動も強化されることになる）、適格度トレースのパラメータλを用いて、指数関数で減衰させながら過去の行動を（原理的には無限に。実際は途中で打ち切る場合が多いし、指数で減衰するのでどのみち少し遡るとほとんど効かなくなる）強化する場合もある。しかし人間はそういった時間のみに依存した強化は決して行っていない。原因となる行動… 190 <iframe src="https://hatenablog-parts.com/embed?url=https%3A%2F%2Fjotun82-brain.hatenadiary.org%2Fentry%2F20120703%2F1341289152" title="結果の原因の推定と責任割り当て - jotunの頭の中" class="embed-card embed-blogcard" scrolling="no" frameborder="0" style="display: block; width: 100%; height: 190px; max-width: 500px; margin: 10px 0px;"></iframe> Hatena Blog https://hatena.blog 2012-07-03 13:19:12 rich https://jotun82-brain.hatenadiary.org/entry/20120703/1341289152 1.0 100%