… This not only ensures the stability of optimization but also makes full use of off-policy data to
improve … Second, the output layers of the model are adapted to the target domain. Finally, the …

… 蒙特卡罗方法同时还可以与离策 略(off-policy)的思想相结合, 得到离策略的蒙特卡罗 学习, 能够
… 目前的一个研究趋势是用离线估计来处 理上下文赌机(contextual bandit) 问题. 例如, 微软研 究…