Milliseid uurimismeetodeid teate (epsilon-greedy, UCB, Thompson, sisemine motivatsioon)?

Tugevõimõppe ülesannetes on uurimine strateegia, mis uurib keskkonda, et leida optimaalne poliitika. Peamised uurimismeetodid:

• Epsilon-greedy: tõenäosusega ε valitakse juhuslik tegevus (uurimine), ja tõenäosusega 1-ε valitakse tegevus, mille hinnang on kõrgeim (kasutamine). Lihtne ja laialdaselt kasutatav.

• UCB (Upper Confidence Bound): tasakaalustab uurimist ja kasutamist, valides tegevuse, millel on kõrgeim ülemine usaldusvahemik hinnangus. Sageli kasutatakse mitme- käepidemega bandiitide probleemides.

• Thompson Sampling: tõenäosusmeetod, mis valib tegevusi posteriorjaotuse näidise põhjal, loomulikult tasakaalustades uurimist ja kasutamist.

• Sisemine motivatsioon: lisab sisemisi preemiaid uute või ootamatute seisundite uurimiseks, motiveerides agenti õppima keskkonnast isegi ilma väliste preemiateta.

Iga meetodil on oma eelised ning seda rakendatakse vastavalt ülesandele ja keskkonna nõuetele.