知识卡片
时序差分自举更新
时序差分用一步奖励加折扣后的下一状态价值估计,作为当前价值的更新目标;目标与当前估计的差称 TD 误差。它不必等整条轨迹结束,但使用尚不准确的价值估计作为目标,因此称为自举。
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8章 强化学习
原书出处 · 1 处
- 强化学习 · 查看原书依据
R+γVπ(s)-Vπ(s)被称为时序差分误差。
参考来源
- 位置:《现代人工智能技术》第8章《强化学习》(来源项目:book-source;源文件:extracted/现代人工智能技术/_epub-src/EPUB/xhtml/chapter10.xhtml)
- 结论依据:原文说明用实时奖励及下一状态价值替代完整回报并定义 TD 误差。
- 原始内容:R+γVπ(s)-Vπ(s)被称为时序差分误差。