Trening
Value function
1957AktywnyAktualizacja: 22 września 2026Opublikowany
W uczeniu ze wzmocnieniem: funkcja szacująca oczekiwany, zdyskontowany zwrot (sumę przyszłych nagród) ze stanu lub pary stan–akcja.
Kluczowa
innowacja
Sprowadzenie długoterminowego celu do wartości stanów/akcji, którą można estymować i optymalizować.
Kategoria
Trening
Poziom abstrakcji
Primitive
Poziom operacji
TreningInferencja
Zastosowania
Q-learning / DQNAktor–krytykRLHF dla LLM
Jak działa
V(s)/Q(s,a) szacują oczekiwany zdyskontowany zwrot; uczy się je metodami TD lub Monte Carlo i wykorzystuje do wyboru akcji.
Rozwiązany problem
Agent potrzebuje oceny długoterminowej wartości stanów/akcji, a nie tylko natychmiastowej nagrody.