TadaoYamaoka https://blog.hatena.ne.jp/TadaoYamaoka/ TadaoYamaokaの開発日記 https://tadaoyamaoka.hatenablog.com/ Agent57 付録D. マルチアームバンディット形式 この節では、マルチアームバンディット（MAB）パラダイム、上限信頼限界（UCB）アルゴリズム、およびスライディングウィンドウUCBアルゴリズムについて簡潔に説明する。 より完全な説明と分析については、Garivier & Moulines (2008)を参照してほしい。 各時間で、MABアルゴリズムは、前の行動と報酬のシーケンスを条件とする方策に従って、可能なアームからアームを選択する。 そうすることで、報酬を受け取る。 定常の場合、与えられたアームの報酬は、 i.i.d.確率変数のシーケンスによってモデル化される。 非定常の場合、報酬は、一連の独立確率… 190 <iframe src="https://hatenablog-parts.com/embed?url=https%3A%2F%2Ftadaoyamaoka.hatenablog.com%2Fentry%2F2020%2F05%2F19%2F093255" title="Agent57: Outperforming the Atari Human Benchmarkを読む その１１ - 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=k%5Cin%5Cmathbb%7BN%7D Hatena Blog https://hatena.blog 2020-05-19 09:32:55 rich https://tadaoyamaoka.hatenablog.com/entry/2020/05/19/093255 1.0 100%