Lemma. Following the DSL strategy,

Lemma. Following the DSL strategy, a given set of pre-existing codes (C1 , C2 , . . . , CN ) learned via imitative learning is only usable for exploitation in reinforcement learning if their corresponding expected reward values Qn(s, a) satisfies the reward vigilance cri- terion, i.e. qn ≥ ρc3, for n = 1,...,N.
Proof. Suppose there is a cognitive node J with an initialized re- ward value of QJ(s, a) < ρc3. When a category choice is made at code J, the vigilance criterion will be violated because
mc3= J =q

ผลลัพธ์ (ไทย) 1:

หน่วยการ ต่อกลยุทธ์ DSL กำหนดชุดของรหัส (C1, C2,..., CN) เรียนรู้ผ่านทางหูการเรียนรู้ที่มีอยู่จะเท่าใช้สำหรับหาผลประโยชน์เสริมการเรียนรู้เกี่ยวข้องที่คาดมูลค่ารางวัล Qn(s, a) รางวัลระมัดระวัง cri-terion เช่นโรงแรมโซ≥ ρc3 การตอบสนองสำหรับ n = 1,..., nหลักฐาน สมมติว่ามีโหนปัญญาเจมูลค่าการเตรียมใช้งาน re-วาร์ด QJ(s, a) < ρc3 เมื่อทำการเลือกประเภทที่รหัส J จะละเมิดเกณฑ์ความระมัดระวังเนื่องจากmc3 = J = q < ρc3 (11) J | xc3 กรุนด์ฟอส เจ

ผลลัพธ์ (ไทย) 2:

บทแทรก ต่อไปนี้กลยุทธ์สัญญาณ DSL, ชุดที่กำหนดของรหัสที่มีอยู่ก่อน (C1, C2,..., CN) ได้เรียนรู้ผ่านการเรียนรู้การลอกเลียนแบบเป็นเพียงใช้งานได้สำหรับการใช้ประโยชน์ในการเสริมแรงการเรียนรู้ถ้ารางวัลที่คาดว่าจะสอดคล้องค่า Qn (S, A) ตอบสนองความ ตอบแทนความระมัดระวัง cri- terion คือ Qn ≥ρc3สำหรับ n = 1, ... , n.
หลักฐาน สมมติว่ามีโหนด J องค์ความรู้ที่มีค่าวอร์ดเริ่มต้นอีกครั้งของ QJ (S, A) <ρc3 เมื่อมีทางเลือกประเภทการทำรหัส J เกณฑ์ระมัดระวังจะถูกละเมิดเพราะ
MC3 = J = Q <ρc3 (11) J | xc3 | J

ผลลัพธ์ (ไทย) 3:

แทรก . ต่อไปนี้กลยุทธ์ DSL , กำหนดรหัสที่มีอยู่ก่อน ( C1 , C2 , . . . . . . . . , CN ) เรียนรู้ผ่านการเรียนรู้การใช้งานเท่านั้น เพื่อแสวงประโยชน์ในการเรียนรู้แบบเสริมกำลังถ้าที่สอดคล้องกันของพวกเขาคาดว่าจะได้รับรางวัลค่า QN ( s ) ตรงรางวัลแค้น CRI - terion ได้แก่ ควินิน≥ρ C3 n = 1 , . . . )พิสูจน์ สมมติว่ามีการรับรู้ปม J กับการเริ่มต้นอีกครั้ง - มูลค่าของ QJ วอร์ด ( S , A ) < ρ C3 เมื่อเลือกประเภทถูกสร้างขึ้นในรหัส J , มีเกณฑ์จะถูกละเมิด เพราะmc3 = J = Q < ρ C3 ( 11 ) | xc3 | เจเจ