3/6 手法

パイプラインは3つのステップで実行されます。

• 各シミュレーションのデモを、目標ドメインでのロールアウトと照合してスコア付けします。目標ドメインでベースポリシーをロールアウトし、それぞれのロールアウトに独自のリターンを持たせます。各デモについて、影響関数が問いかけます。このデモの重みを増やした場合、どのロールアウトが https://t.co/dk7efn2noz