アルゴリズム

報酬ハッキングを、ブラウザで動く迷路と強化学習（Q学習）で再現しました。OpenAIのサンドボックス脱出をきっかけに試し、コインを何度でも取れる報酬では得点が4.5倍でもゴールは100回中0回、1回だけに直すと全回ゴールしました。