問題番号: No.898 (しっかりモード)

深層強化学習において、連続して取得したデータをそのまま学習に用いると時間的な相関が強すぎて学習が不安定になる。これを防ぐため、過去の行動履歴をメモリに保存し、ランダムに取り出して学習に用いる仕組みを【 】という。