探索与利用

数据由策略自己产生，不探索就永远看不到更好的动作。本章介绍 $\epsilon$-greedy、乐观初始化、UCB 与 Thompson 采样的直觉，并说明为什么深度 RL 中的探索远比表格情形困难。

本章要点

• 探索的代价是短期回报，收益是信息
• 简单的 $\epsilon$-greedy 在稀疏奖励下几乎无效
• 第六卷专门讨论深度 RL 中的探索

相关阅读

• 好奇心与预测误差

写作状态

本章目前为提纲，正文待撰写。