文档摘要

6.3 离线强化学习：从固定数据集学策略 本节摘要：医疗、金融、工业控制里，让未训练的智能体在线试错的代价是事故，不是日志里的一行失败记录。离线强化学习（Offline RL）只许用一份固定数据集训练，训练全程与环境零交互。核心障碍是分布偏移：策略一旦偏出数据集覆盖的动作区域，Q 值靠外推凭空膨胀，贪心策略会一头扎向这些虚假高分。解法是一个统一思想——保守：只在数据支持的区域相信外推。 会员。《6.3 离线强化学习：从固定数据集学策略》收录于灏天文库文集《强化学习与智能体训练：从 Q-Learning 到深度强化学习》，原作者/来源：灏天文库，整理自「灏天文库」，提供技术教程、实践指南与问题解决方案，支持在线阅读、全文检索与知识沉淀，助力开发者系统化学习。本站整理收录，版权归原作者/开源协议所有。

该文档为会员专享，请先登录或注册后再查看

登录 注册

---

作者与出处

原作者： 灏天文库

来源：灏天文库

原文： https://aiknowledge.cn/collection/540-%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0%E4%B8%8E%E6%99%BA%E8%83%BD%E4%BD%93%E8%AE%AD%E7%BB%83%E4%BB%8E-q-learning-%E5%88%B0%E6%B7%B1%E5%BA%A6%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0

整理： 灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流