Policy Gradient
Policy gradient methods are reinforcement-learning algorithms that optimize a parameterized policy directly by gradient ascent on the expected return, rather than learning action-values and acting greedily. Founded on Ronald Williams' 1992 REINFORCE algorithm and the policy gradient theorem of Sutton and colleagues (2000), they naturally handle stochastic and continuous action spaces and underpin modern actor-critic and deep-RL algorithms.
উৎস রেকর্ড
পদ্ধতির উৎস রেকর্ড থেকে উদ্ধৃতিগুলি হুবহু অনুলিপি করা হয়েছে। এগুলি থেকে কোনও দাবি-স্তরের যাচাইকরণ অনুমান করা হয় না।
- 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. · URL
কিউরেটেড দাবি
প্রমাণ লেজারে দাবিগুলি সংরক্ষিত আছে, প্রতিটির নিজস্ব মূল্যায়ন সহ।
প্রমাণ লেজারে কিছু না থাকলে এই ভিউ কোনও দাবি মূল্যায়ন তৈরি করে না।
সম্পর্কিত পদ্ধতি
পদ্ধতি গ্রাফ থেকে তৈরি এবং মেশিন-প্রস্তাবিত সম্পর্ক হিসাবে দেখানো হয়েছে — কোনও প্রমাণ দাবি অনুমান করা হয় না।