Rozdzielenie wyboru akcji i oceny jej wartości w celu Bellmana, zmniejszające systematyczne przeszacowanie wartości Q wynikające z maksymalizacji po zaszumionych estymatach.
Decoupling action selection from action evaluation in the Bellman target, reducing the systematic Q overestimation caused by maximising over noisy estimates.
Poprawka, dzięki której program nie przecenia ruchów tylko dlatego, że miał przy nich szczęście w ocenie.
A fix that stops a program from overrating moves just because their estimates got lucky.
Program wybierający zawsze najwyżej ocenianą opcję systematycznie bierze przypadkowo zawyżone oceny za prawdziwe i uczy się złych nawyków.
A program always choosing the top-scored option keeps mistaking lucky overestimates for truth and learns bad habits.
Jak konkurs z dwiema listami ocen: jedna wskazuje finalistę, a druga osobno wycenia jego wynik, więc przypadkowo wysoka nota rzadziej zawyża całość.
Like a contest with two score sheets: one selects the finalist and the other separately evaluates the result, so a lucky high score is less likely to inflate the total.
Agent grający w grę przestaje upierać się przy ruchu, który kilka razy przypadkiem dał dużo punktów.
A game-playing agent stops insisting on a move that happened to score big a few times.