人们如何处理不同州的法律行动不同的问题？就我而言，我总共有大约 10 个诉讼，这些法律诉讼不重叠，这意味着在某些州，相同的 3 个州始终是合法的，而这些州在其他类型的州永远不合法。
我也有兴趣看看如果法律诉讼重叠，解决方案是否会有所不同。
对于 Q 学习（我的网络为我提供状态/动作对的值），我在想也许我可以在构建目标值时小心选择哪个 Q 值。 （即我没有选择最大值，而是选择法律行动中的最大值......）
对于策略梯度类型的方法，我不太确定适当的设置是什么。计算损失时只屏蔽输出层可以吗？
近两年有两件密切相关的作品：
[1] 克雷格·布蒂利尔等人。 “通过随机行动集进行规划和学习。” arXiv 预印本 arXiv:1805.02363 (2018)。
[2] 昌达克、亚什等人。 “当所有行动并不总是可用时的强化学习。” AAAI。 2020.
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
