知识卡片

普通读书笔记卡 · 2700.d.4.d · 生成模型:未记录

汤普森抽样按最优概率行动

理解等级:高级

对每个臂的未知期望维护后验,本轮从后验各抽一个候选均值,选择其中最大者,并用实际奖励更新对应后验。这会自动按后验中的最优概率分配行为。若只统计谁获得过历史最高单次奖励,得到的量通常不同。

关联:[[UCB给不确定性额外权重]]。分别用后验采样和均值上界实现不确定性探索。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《强化学习入门:从原理到实践》第9章《9.2.2 不确定行为优先探索》,来源项目 book-source,`extracted/强化学习入门:从原理到实践/_epub-src/OEBPS/Text/chapter86.xhtml`,body 子元素 44 - 结论依据:原文给出概率匹配定义并以汤普森采样为实现方向。 - 原始内容:估计行为空间中每一个行为是最优行为的概率