状態価値関数
強化学習の「状態価値関数」が表すものとして、最も適切なものを1つ選べ。
- A
その状態で、すぐにもらえる報酬だけ
- B
エージェントの行動の数
- C
学習にかかった時間
- D
ある状態から、ある方策に従って行動したときに、将来にわたって得られると見込まれる報酬の合計（期待値）
正解と解説を見る
正解：D
状態価値関数は、ある状態から将来得られると見込まれる報酬の合計を表す。
| 時刻 t | 報酬 | 割引 γ^t | 割り引いた報酬 |
|---|---|---|---|
| 0 | 1 | 0.9^0 | 1.0 |
| 1 | 1 | 0.9^1 | 0.9 |
| 2 | 1 | 0.9^2 | 0.81 |
| 合計 | 2.71 |
- A
誤り。目先の報酬だけでなく、将来の報酬も含めて考える。
- B
誤り。行動の数を表すものではない。
- C
誤り。時間を表すものではない。
- D
正しい。状態と行動の組の価値を表すものは、行動価値関数（Q関数）と呼ぶ。
このサイトの問題は、各試験の公開されているシラバスに沿って作ったオリジナルの模擬問題です。本試験の問題ではありません。日本ディープラーニング協会（JDLA）・一般社団法人生成AI活用普及協会（GUGA）の公式サービスではありません。