bb5450697118043

http://nhiro.org.s3.amazonaws.com/4/3/43cc88db6b080f184eb736d59e60c08a.jpg https://gyazo.com/43cc88db6b080f184eb736d59e60c08a

(OCR text)

44

Tree Policy

現在の状態がTreeに含まれているときに使う方策

Treeの各ノードは

·各actionことの収益の平均V(h, a)

各actionの選択回数 N(h, a)

·信念B(h)

を持っている。

原始的なgreedy方策:「Vが最大になる。を選ぶ」

よく使われるUCB1は選択回数が少ない選択肢を

高めに評価することで利用と探索のトレードオフ