待验证50% 置信事实精确时间
在标准Q Learning中，目标值依赖于当前Q函数，导致目标值随参数更新而不断变化，形成“移动目标”问题。
1
来源数
50%
置信度
长期有效
时效性
2026/11/2
首次发现
来源
涉及实体
相关事实
待验证Q-learning 的更新目标是即时奖励加上下一状态最大 Q 值的折扣，因此无论智能体实际采用什么行为策略，它都在逼近最优动作价值函数。78% 相似待验证DQN等基于值函数的方法通过估计每个状态-动作对的Q值来间接推导策略，通常需要维护经验回放池和目标网络来稳定训练。68% 相似待验证Q-learning是离策略（off-policy）学习，使用贪心策略更新Q值但探索时可采用ε-贪心等不同策略67% 相似已验证Q-Learning是离策略（off-policy）方法，更新Q值时假设未来采取最优动作；SARSA是在策略（on-policy）方法，基于实际执行的动作更新Q值67% 相似待验证强化学习阶段给模型设定明确目标函数，行为导向更高得分则对应神经网络权重被强化，可能导致模型涌现出工具性目标（目标泛化问题）65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1125986API
curl https://kongchang.com/api/v1/knowledge/claims/1125986MCP
get_claim(id=1125986)