а ну да

я просто сначала ответил

а потом решил прочитать вопрос

типа вырожденые в кривые распределения, тогда ровно оно

Равномерные распределения

@gri_alex спасибо, интересно

а по Optimal Transport нигде не предвидится лекций/семинаров?

Было бы неплохо прочитать вышеприведённую книгу

там целая книга? спасибо!

[1709.04326] Learning with Opponent-Learning Awareness
https://arxiv.org/abs/1709.04326

Всем привет! А знаком ли кто-то с задачей RL в случае когда у нас есть ограничения на состояния? Т.е. я максимизирую всё ту же суммарную награду, но хочу запретить некоторые траектории. Например, я еду на машине из пункта А в пункт Б и хочу минимизировать затраты бензина. Однако на определённых участках есть ограничения скорости, которые я нарушать не хочу, плюс я хочу приехать за определённое время (эпизод заканчивается когда я прибываю в пункт назначения, но мне не желательны ситуации, когда я приезжаю раньше или опаздываю). Может ли кто-то посоветовать литературу на этот счёт?
P.S. Очевидное решение задать определённым образом функцию наград, чтобы она карала за такие случаи не работает.

Кажется, тебя всё же интересуют ограничения на действия, ведь состояния тебе неподвластны

Недавно на реддите обсуждали случай, когда действия зависят от состояния, похоже на этот случай: https://www.reddit.com/r/reinforcementlearning/comments/7tnxk9/r_examples_of_deep_q_learning_where_action_space/

Народ, в случае deepQlearning  target net выполняет роль меток (как в обучении с учителем)?

В каком-то смысле да, но только движущихся меток, т.к. всякий раз после обновления весов target network наши метки сдвигаются и решается новая задача обучения с учителем, правда, с более адекватного приближения чем если решать с нуля.

спасибо за ответ, хмм.... то есть на новый state метка даже уже и не правильная(ведь двиущийся предмет сместилс(

Сложно сказать что значит правильная, а что значит нет, мы же метки по сути сами придумываем на основании нашей оценки Q-функции.

спс