advantage estimation

Определение

Оценка того, насколько действие лучше среднего; используется в PPO для credit assignment.

Где встречается

• 339. Как работает алгоритм ReST (Reinforced Self-Training) и когда он лучше PPO

Навигация

• Индекс терминов
• Индекс разборов
• Оглавление