Наилучший поиск политики в укреплении обучения
arXiv: 261 030,345001v 1 Annualce Type: New Humber Abstract: Supportment Upducation обычно демонстрирует немонотонную динамику результатов в отдельных целевых параметрах. В процессе обучения формируется последовательность политики, реальные результаты которой неизвестны и могут значительно колебаться во всех направлениях. Несмотря на это хорошо известное явление, стандартная экспериментальная практика обычно содержит информацию либо об окончательной политике посещения, либо о наиболее эффективной из периодически оцениваемых политики, имплицитно исходя из того предположения, что эти критерии отбора позволяют надежно приблизить наиболее эффективную политику, которую посещают в течение всей последовательности. В этой работе мы представляем эмпирическое исследование по вопросу о последствиях немонотоничности для выбора политики в процессе обучения на основе принципа одноразовой политики. Мы внедряем послеспециальные диагностические метрики для характеристики ухудшения показателей и оценки точности и эффективности различных критериев отбора. Эти показатели позволяют нам оценить широко используемые стратегии отбора в рамках стандартного непрерывного процесса