待验证50% 置信事实精确时间
将采样动作自身概率的Brier分数或对数分数作为REINFORCE奖励时,每个错误动作获得的奖励至少与正确动作(gold)的奖励相当。
1
来源数
50%
置信度
长期有效
时效性
2026/11/13
首次发现
来源
涉及实体
相关事实
待验证TaskProof 的概率加权期望净收入公式为「净奖金 × 获胜概率」,未获胜收益为0,该数字仅适用于多次重复决策的长期平均,不代表单次实际到手金额。72% 相似待验证在合成实验中,“始终输出 RISK_LEVEL: 1”的普通准确率高达 0.922,但平均奖励为 −0.000,说明类别平衡奖励能防偷懒。70% 相似待验证期望价值的计算方式为各种可能结果的收益乘以其发生概率之和69% 相似待验证汤普森采样在多臂老虎机问题中用 Beta 分布建模各臂奖励概率后验,每轮从后验采样并选择采样值最大的臂,具有优于 ε-greedy 的理论遗憾界68% 相似待验证在一组有序量表问题上,将概率分数作为REINFORCE奖励导致准确率从0.636骤降至0.111。68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1164992API
curl https://kongchang.com/api/v1/knowledge/claims/1164992MCP
get_claim(id=1164992)