TD学習
実際に得た結果と、いまの予測との差(誤差)を使って価値の予測を少しずつ直す学習法。未来の見込みを途中の情報で更新する。
たとえば: 到着前の途中経過を見て、旅行の所要時間の予想を都度修正する感じ。
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
- 安全と性能を同時に扱う「統一的なBellman演算子」を提案する安全強化学習
安全クリティカル領域の強化学習で、性能最大化と安全制約の厳守を両立させるための統一的なBellman演算子を提案。joint value functionとして目的を統合し、二重時間スケールのTD学習の収束も示す。
