オフポリシー
集めたデータを作った行動ルールと、今学習したい行動ルールが一致していなくても学べるやり方。過去データを再利用しやすい。
たとえば: 昔の運転記録(別の運転スタイル)を見返して、今の運転のコツを学ぶようなもの。
AIによる解説です。正確さは、別のAIで照合していますが、誤りが含まれる可能性があります。
この言葉が出てくる記事
- フローポリシーをオフポリシーで強化学習する手法「QF3」の提案
QF3はフローポリシーをオフポリシーで学習するオンラインRL手法。フローマッチングにcriticのaction gradientを組み合わせ、更新をリプレイ近傍の次元に限定する。ヒューマノイドでFPO++比10xの壁時計時間高速化を報告する。
