TadaoYamaoka https://blog.hatena.ne.jp/TadaoYamaoka/ TadaoYamaokaの開発日記 https://tadaoyamaoka.hatenablog.com/ Agent57 付録C.リトレースおよび変換されたリトレース リトレースは、評価または制御のための方策オフのRLアルゴリズムである。 評価設定の目標は、行動方策から引き出された軌跡からターゲット方策の状態行動価値関数を推定することである。 制御設定では、を近似するために、一連のターゲット方策および状態行動価値関数を作成することが目標である。 およびに依存する評価リトレース演算子は、すべての関数およびすべての状態行動タプルについて、次のように定義される。 ここで、TD誤差は次のように定義される。 およびトレース係数は次のとおりである。 ここで、は固定パラメータ]である。 演算子は、方策を評価するためにの動作を修… 190 <iframe src="https://hatenablog-parts.com/embed?url=https%3A%2F%2Ftadaoyamaoka.hatenablog.com%2Fentry%2F2020%2F05%2F18%2F093923" title="Agent57: Outperforming the Atari Human Benchmarkを読む その１０ - TadaoYamaokaの開発日記" class="embed-card embed-blogcard" scrolling="no" frameborder="0" style="display: block; width: 100%; height: 190px; max-width: 500px; margin: 10px 0px;"></iframe> https://chart.apis.google.com/chart?cht=tx&chl=%5Cmu Hatena Blog https://hatena.blog 2020-05-18 09:39:23 rich https://tadaoyamaoka.hatenablog.com/entry/2020/05/18/093923 1.0 100%