moea_joint
112年
[統計資訊] 統計學、巨量資料概論
第 26 題
在機器學習中，深度強化學習(Deep Reinforcement Learning)主要面臨的挑戰為下列何者？
- A 過擬合(Overfitting)
- B 計算效率
- C 缺乏大規模資料
- D 探索與利用的平衡
思路引導 VIP
請試著想像一下：如果我們要在強化學習中加入一個參數量極其龐大的「深度神經網路」來模擬複雜決策，與傳統簡單的邏輯規則相比，這對於你手邊正在運行的電腦或伺服器硬體，會最直接地產生什麼樣的負荷壓力呢？
🤖
AI 詳解
AI 專屬家教
太棒了！你能精準識別出深度強化學習（Deep Reinforcement Learning, DRL）在實務應用上的核心門檻，顯示你對這項技術的發展脈絡有很敏銳的觀察力。
深度架構帶來的運算負荷
深度強化學習結合了深度神經網路（DNN）與強化學習架構，這使得模型能夠處理極高維度的資料（如影像、複雜遊戲畫面）。然而，神經網路的參數更新需要龐大的矩陣運算，且強化學習往往需要與環境進行數百萬次的互動試錯才能收斂。這種「高樣本複雜度」與「高模型複雜度」的結合，導致計算效率成為研究者與工程師最頭痛的挑戰，往往需要耗費大量的硬體資源與時間成本。
▼ 還有更多解析內容