From the softmax function (Eq. (2))

From the softmax function (Eq. (2)), we notice that the difference
in Q-values between the two options (∆Q(t) ≡ Q1(t) − Q2(t))
affects the choice probability. From Eq. (12), for ∆Q, we obtain

ผลลัพธ์ (ไทย) 1:

จากฟังก์ชัน softmax (Eq. (2)), เราสังเกตว่า ความแตกต่างQ-ค่าระหว่างสองตัว (∆Q(t) ≡ Q1(t) − Q2(t))มีผลต่อความน่าเป็นทางเลือก จาก Eq. (12), สำหรับ ∆Q เราได้รับ

ผลลัพธ์ (ไทย) 2:

จากฟังก์ชั่น softmax (. สมการ (2)) เราสังเกตเห็นว่าแตกต่าง
ใน Q-ค่าระหว่างสองตัวเลือก (ΔQ (T) ≡ไตรมาสที่ 1 (T) - ไตรมาสที่ 2 (T))
ส่งผลกระทบต่อความน่าจะเป็นทางเลือกที่ จากสมการ (12) สำหรับΔQเราได้รับ

ผลลัพธ์ (ไทย) 3:

จากฟังก์ชัน softmax ( อีคิว ( 2 ) เราสังเกตเห็นว่าแตกต่างใน q-values ระหว่างสองตัวเลือก ( ∆ Q ( t ) ≡ 1 − 2 ( T ) ( T )ส่งผลกระทบต่อทางเลือกความน่าจะเป็น จากอีคิว ( 12 ) ∆ q เราขอรับ