Seonglae ChoUpdate policy on latest data
Each time the policy is changed, we need to generate new samples
on policy는 policy에 의존성이 있어서 policy update에 따라 데이터 생성을 해주어야하는 의존성이 있다. 즉 병렬성이 안좋아서 off policy가 대량학습을 위해서는 좋다
Behavior policy = Target Policy
Behavior policy
Policy who actually select action and then get reward data
Target policy
Target policy to evaluate and improve