知识卡片
重要性比率校正采样策略
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?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 第4章 蒙特卡罗
原书出处 · 1 处
- 蒙特卡罗 4.5.1 重要性采样离线策略蒙特卡罗 · 查看原书依据
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。
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。