Estymator przewagi będący wykładniczo ważoną sumą błędów TD (parametr λ), pozwalający płynnie wybierać kompromis między obciążeniem a wariancją w gradientach polityki.
An advantage estimator formed as an exponentially weighted sum of TD errors (parameter λ), smoothly trading bias against variance in policy gradients.
Sposób oceniania, o ile dany ruch był lepszy od przeciętnego, tak żeby sygnał do nauki był mniej przypadkowy.
A way to judge how much better a move was than average, so the learning signal is less random.
Ocena ruchu na podstawie całej dalszej gry jest bardzo zaszumiona, a ocena tylko z najbliższego kroku bywa myląca.
Scoring a move from the whole rest of the game is very noisy, while scoring from just the next step can mislead.
Jak ocena pracownika ważąca bieżące wyniki mocniej niż odległe skutki, ale nie pomijająca ich całkiem.
Like an employee review weighting recent results more than distant effects, without ignoring them entirely.
Agent sterujący symulowaną postacią uczy się biegać stabilniej, bo dostaje mniej rozchwiane podpowiedzi, które ruchy pomogły.
An agent controlling a simulated character learns to run more steadily, getting less erratic hints about which moves helped.