Методи на градиент на политиката
Методите на градиент на политиката са алгоритми за подсилващо обучение, които оптимизират параметризирана политика директно чрез градиентно нарастване върху очакваната възвръщаемост, вместо да учат стойности на действията и да действат алчно. Основани на алгоритъма REINFORCE на Роналд Уилямс от 1992 г. и теоремата за градиент на политиката на Сътон и колеги (2000 г.), те естествено обработват стохастични и непрекъснати пространства на действията и са в основата на съвременните актьор-критик и дълбоки RL алгоритми.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Williams, R. J. (1992). Simple statistical gradient-following algorithms for connectionist reinforcement learning. Machine Learning, 8(3–4), 229–256. DOI: 10.1007/BF00992696 ↗
- Sutton, R. S., McAllester, D., Singh, S., & Mansour, Y. (2000). Policy gradient methods for reinforcement learning with function approximation. Advances in Neural Information Processing Systems, 12, 1057–1063. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 2). Policy Gradient Methods (REINFORCE / Actor-Critic). ScholarGate. https://scholargate.app/bg/machine-learning/policy-gradient
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Изпъкнала оптимизацияОптимизация↔ compare
- Дълбоко обучение с подкреплениеДълбоко обучение↔ compare
- Q-обучениеМашинно обучение↔ compare
- Стохастичен градиентен спусък (SGD)Машинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →