↑: [[G検定に関する知識]] - 未来の報酬を割り引くための係数γ（0〜1） - 先の報酬ほどγを掛けた分だけ小さく評価する（未来は不確実なため） - γが小さいと目先重視、大きいと長期視点になる - 実用では0.9〜0.99あたりがよく使われる - cf. [[強化学習]] [[マルコフ決定過程]] - 累積割引報酬 G = r₀ + γr₁ + γ²r₂ + …。無限に続く報酬和を有限に収束させる効果もある - γ=1は無限ホライズンで発散しうるため標準ではない。γ=0のとき初めて即時報酬のみの最大化になる（γ<1で将来報酬が「完全に無視」されるわけではない）← 重要 - 学習率α（更新幅）や正則化パラメータとは別概念 ← ひっかけ