知识卡片

普通读书笔记卡 · 2700.f.1.b.2.b · 生成模型:未记录

树内先验与均值共同选边

理解等级:高级

每条边记录次数、平均值与先验。在书中所示 PUCT 中,先验乘父访问数平方根并除以 1 加该边访问数,作为探索补偿加到 Q 上。搜索越多,被频繁尝试的边奖励越弱,网络先验与模拟出来的价值可以共同改变选择。

关联:[[树搜索复用中间节点统计]]。网络先验引导模拟分配,与树内估值共同使用。

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10章《10.1 自博弈中的蒙特卡罗树搜索》,来源项目 book-source,`extracted/强化学习入门:从原理到实践/_epub-src/OEBPS/Text/chapter89.xhtml`,body 子元素 10 - 结论依据:原文用先验、已有均值和访问计数来控制选择。 - 原始内容:倾向于选择那些概率较高且访问次数较低的行为