SARS
含有「SARS」共 89 篇內容
全部內容
發佈日期由新至舊
時序差分方法透過 TD 誤差實現即時學習，不需完整模型即可邊互動邊更新。SARSA 保守穩定，適合高風險任務；Q-Learning 激進高效，收斂較快。TD(λ) 融合短期與長期回饋，加速延遲獎勵學習。GridWorld 等實作能有效驗證策略差異與錯誤傳播。
GridWorld 是強化學習的經典迷宮實驗環境，智慧體透過試錯學習避開陷阱並找到最短路徑。搭配 Q-Learning 或 SARSA 演算法與 ε-greedy 策略，AI 能逐步收斂至最佳決策。此實作展示了強化學習核心流程，並可延伸至機器人、自駕車與遊戲 AI。
SARSA 與 Q-Learning 皆為 TD 控制演算法，差異在於策略依賴：SARSA 為 On-policy，更新與實際行動一致，保守穩定，適合高風險任務；Q-Learning 為 Off-policy，追求最大回報，學得快但較激進，適合遊戲與商業決策。選擇取決於任務風險承受度與目標需求。
Q-Learning 是典型 Off-policy TD 控制演算法，核心在最大化未來回報。更新 Q 值時取下一狀態的最大估計值，即使當下行動非最優，仍能收斂至最優策略。適合自駕、金融、博弈等需高效率探索的任務。
SARSA 是 On-policy TD 控制演算法，更新依賴實際採取的動作，透過 (s,a,r,s′,a′) 修正 Q 值。與 Q-learning 相比更保守穩定，適合高風險或需安全控制的場景，如導航與推薦系統，能逐步累積經驗學得穩健策略。
On-policy 使用自身策略互動學習，穩健安全但效率較低；Off-policy 可用他人或歷史資料學習目標策略，效率高但可能不穩定。典型例子是 SARSA 與 Q-Learning，前者依實際行為更新，後者追求理想最優。兩者各有應用價值，實務常結合運用。
重要性修正是離策略學習的核心，透過加權方式將行為策略 μ 的樣本轉換為目標策略 π 的估值。普通方法雖無偏卻變異大，加權法則收斂更穩定。此技術能在僅有歷史資料或無法頻繁試驗的情境下，有效訓練與評估新策略。
臺灣生技產業具有發展「護臺神山」的潛力，癌症用藥市場商機龐大。本文介紹劉夷生醫師及其投入的ABVC集團，該集團整合醫藥、長照服務與科技數據，打造全臺首創的癌症康養服務體系，並將於納斯達克上市。
