强化学习
马尔可夫过程：解决序列决策问题，理解状态之间的转移概率
目标：reward最大化。需要有更好的policy选择action, 通过让agent获得状态转移概率
exploration和exploitation的平衡
Q-learning，DQN，TRPO, PPO, soft actor critic
DQN
策略梯度 policy gradient
PPO
问答
是on-policy还是off-policy的区别是什么
On-policy都有什么，SASA的公式和Q learning的公式什么差别，为什么没有max
解释一下DQN离散，DQNN（连续），有没有手写过
DPO (off-policy) 为什么会在学习过程中training positive的概率和training negative的概率都同时下降？
和采样的方式以及DPO loss组成相关. BT loss，maximize training set中positive和negative的gap
reference
Last updated