Verallgemeinerung des TD-Lernens
Bisher haben wir zwei Extremfälle des Lernens aus Erfahrung betrachtet:
- TD(0): verwendet die Ein-Schritt-Rendite;
- Monte Carlo: wartet bis zum Ende der Episode, um die Rendite zu berechnen.
Aber was, wenn wir etwas dazwischen wollen? Etwas, das mehr zukünftige Informationen nutzt als TD(0), aber nicht wie Monte Carlo auf die gesamte Episode warten muss?
Hier kommen das n-Schritt-TD-Lernen und TD(λ) ins Spiel — Methoden, die die bisher gesehenen Ansätze vereinheitlichen und verallgemeinern.
n-Schritt-TD-Lernen
Die Idee hinter dem n-Schritt-TD-Lernen ist einfach: Anstatt nur den nächsten Schritt oder die gesamte Episode zu verwenden, nutzen wir die nächsten n Schritte und bootstrappen dann:
Gt(n)=Rt+1+γRt+2+...+γn−1Rt+n+γnV(St+1)Dies ermöglicht einen Kompromiss:
- Für n=1: entspricht es TD(0);
- Für n=∞: entspricht es Monte Carlo.
Diese Rückgaben können dann als Ziel im TD(0)-Aktualisierungsregel verwendet werden:
V(St)←V(St)+α(Gt(n)−V(St))TD(λ)
TD(λ) ist ein ausgeklügeltes Konzept, das auf dem n-Schritt-TD-Lernen aufbaut: Anstatt ein festes n zu wählen, werden alle n-Schritt-Rückgaben kombiniert:
Lt=(1−λ)n=0∑∞λn−1Gt(n)wobei λ∈[0,1] die Gewichtung steuert:
- Wenn λ=0: nur Ein-Schritt-Rückgabe → TD(0);
- Wenn λ=1: vollständige Rückgabe → Monte Carlo;
- Zwischenwerte mischen mehrere Schritt-Rückgaben.
Somit fungiert λ als Regler für den Bias-Varianz-Kompromiss:
- Niedriges λ: mehr Bias, weniger Varianz;
- Hohes λ: weniger Bias, mehr Varianz.
Lt kann dann als Aktualisierungsziel in der TD(0)-Aktualisierungsregel verwendet werden:
V(St)←V(St)+α(Lt−V(St))Danke für Ihr Feedback!
Fragen Sie AI
Fragen Sie AI
Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen
Awesome!
Completion rate improved to 2.7
Verallgemeinerung des TD-Lernens
Swipe um das Menü anzuzeigen
Bisher haben wir zwei Extremfälle des Lernens aus Erfahrung betrachtet:
- TD(0): verwendet die Ein-Schritt-Rendite;
- Monte Carlo: wartet bis zum Ende der Episode, um die Rendite zu berechnen.
Aber was, wenn wir etwas dazwischen wollen? Etwas, das mehr zukünftige Informationen nutzt als TD(0), aber nicht wie Monte Carlo auf die gesamte Episode warten muss?
Hier kommen das n-Schritt-TD-Lernen und TD(λ) ins Spiel — Methoden, die die bisher gesehenen Ansätze vereinheitlichen und verallgemeinern.
n-Schritt-TD-Lernen
Die Idee hinter dem n-Schritt-TD-Lernen ist einfach: Anstatt nur den nächsten Schritt oder die gesamte Episode zu verwenden, nutzen wir die nächsten n Schritte und bootstrappen dann:
Gt(n)=Rt+1+γRt+2+...+γn−1Rt+n+γnV(St+1)Dies ermöglicht einen Kompromiss:
- Für n=1: entspricht es TD(0);
- Für n=∞: entspricht es Monte Carlo.
Diese Rückgaben können dann als Ziel im TD(0)-Aktualisierungsregel verwendet werden:
V(St)←V(St)+α(Gt(n)−V(St))TD(λ)
TD(λ) ist ein ausgeklügeltes Konzept, das auf dem n-Schritt-TD-Lernen aufbaut: Anstatt ein festes n zu wählen, werden alle n-Schritt-Rückgaben kombiniert:
Lt=(1−λ)n=0∑∞λn−1Gt(n)wobei λ∈[0,1] die Gewichtung steuert:
- Wenn λ=0: nur Ein-Schritt-Rückgabe → TD(0);
- Wenn λ=1: vollständige Rückgabe → Monte Carlo;
- Zwischenwerte mischen mehrere Schritt-Rückgaben.
Somit fungiert λ als Regler für den Bias-Varianz-Kompromiss:
- Niedriges λ: mehr Bias, weniger Varianz;
- Hohes λ: weniger Bias, mehr Varianz.
Lt kann dann als Aktualisierungsziel in der TD(0)-Aktualisierungsregel verwendet werden:
V(St)←V(St)+α(Lt−V(St))Danke für Ihr Feedback!