exploration

Определение

Поиск новых стратегий в алгоритмах обучения с подкреплением, например MCTS, часто стимулируется entropy bonus в PPO.

Где встречается

• 339. Как работает алгоритм ReST (Reinforced Self-Training) и когда он лучше PPO
• 893. Как работает tree search (MCTS) для LLM агентов

Навигация

• Индекс терминов
• Индекс разборов
• Оглавление