我正在阅读 Rich Sutton 的书 page-246 中的梯度时间差异学习版本 2（GTD2）。在某些时候，他使用环境中的单个样本表达了整个期望。但是单个样本如何代表整个期望。
我在这张图片中标记了这一点。
单个样本如何代表梯度时间差异学习中的期望？
人工智能
机器学习
深度学习
强化学习
数学
深度学习
2021-10-26 11:57:02
1个回答
在大概最终的印刷版本中，最后两个等号是近似值。这只是因为在您采样的大量权重更新中，期望值将被蒙特卡洛逼近。