Mètodes de Gradient de Política
Els mètodes de gradient de política són algorismes d'aprenentatge per reforç que optimitzen una política parametritzada directament mitjançant ascens per gradient sobre el retorn esperat, en lloc d'aprendre valors d'acció i actuar de manera voraç. Basats en l'algorisme REINFORCE de Ronald Williams de 1992 i el teorema del gradient de política de Sutton i col·legues (2000), gestionen de manera natural els espais d'acció estocàstics i continus i sustenten els algorismes moderns d'actor-crític i d'aprenentatge per reforç profund (deep-RL).
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 2). Policy Gradient Methods (REINFORCE / Actor-Critic). ScholarGate. https://scholargate.app/ca/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.
- Optimització convexaOptimització↔ compare
- Aprenentatge per Reforç ProfundAprenentatge profund↔ compare
- Q-LearningAprenentatge automàtic↔ compare
- Descens de Gradient Estocàstic (SGD)Aprenentatge automàtic↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →