那个 OCBA 的话，感觉主要就是要看懂，到底在建模什么。 原始 OCBA 采样的是样本性能的分布，但是在 RL 里，采样的是 reward 还是 Q 或者其他东西呢？
语不惊人死不休
舍您其谁
线上在线自习室晚自习。番茄工作法、四象限、打卡、作业清单、作业辅导、作业交流、作业跟踪、作业计划、个人宣传相关内容
© 行恒 2013
那个 OCBA 的话，感觉主要就是要看懂，到底在建模什么。
原始 OCBA 采样的是样本性能的分布，但是在 RL 里，采样的是 reward 还是 Q 或者其他东西呢？