Stratégies de recalibration des simulateurs sous dérive des données
En bref
- Quatre stratégies de recalibration d'un simulateur sont comparées face à une dérive des données réelles.
- L'exploration continue et l'expérimentation aléatoire peuvent surpasser l'adaptation passive selon les coûts et la visibilité de la dérive.
- Les simulateurs partiellement observés et misspecifiés nécessitent des ajustements pour éviter des politiques sous-optimales.
Cette étude analyse quatre stratégies pour recalibrer un simulateur face à une dérive des dynamiques réelles. Elle compare l'exploration continue, l'expérimentation aléatoire et l'adaptation passive, en tenant compte des coûts et des limites des données disponibles.
Ce résumé vous donne l'essentiel. L'article complet, ses chiffres et ses citations sont chez cs.AI updates on arXiv.org.
Lire l'article originalRésumé généré par IA à partir de la source, relu par règles. Comment nous rédigeons · Signaler une erreur