知识卡片

普通读书笔记卡 · 2700.f.2.a.1.a · 生成模型:GPT-6

重要性比率校正采样策略

理解等级:高级

在行为策略 b 的样本上估计目标策略 π 的动作值时,对轨迹末段按概率之比加权。给定起始的状态与动作后,后续每步乘 π(a|s)/b(a|s)。两种策略面对同一环境时,相同的转移概率在分式中抵消。若目标会用的动作从未被行为策略采到,就缺少估计所需的覆盖。长轨迹上的连乘可能使少数样本的权重远大于其他样本。

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》第04章《蒙特卡罗》(来源项目 book-source,`extracted/强化学习/_epub-src/OEBPS/Text/1-013.xhtml#isbn9787302538295_4_1_5_1`) - 结论依据:原文用两个分布的概率比推导重要性采样,再把两条轨迹的概率比约化为策略的逐步概率比;卡片按条件动作值明确了乘积起点。 - 原始内容:在离线蒙特卡罗强化学习中,使用了重要性采样的方法,通过随机性策略(如ε-贪心策略)产生的数据,对原始贪心策略进行评估和改进。其中,产生采样数据的策略叫行为策略,用π'表示;评估和改进的策略叫原始策略,用π表示。