Credit assignment

Определение

Проблема определения вклада отдельных действий или токенов в итоговый результат, используемая в обучении с подкреплением (например, PPO) для расчёта advantage.

Где встречается

• 334. Как вы делаете online RL для агентов (self-improvement loops)
• 339. Как работает алгоритм ReST (Reinforced Self-Training) и когда он лучше PPO

Навигация

• Индекс терминов
• Индекс разборов
• Оглавление