Metody gradientu politiky
Metody gradientu politiky jsou algoritmy zpětnovazebního učení, které optimalizují parametrizovanou politiku přímo pomocí gradientního vzestupu na očekávaném návratu, namísto učení hodnot akcí a chování se chamtivě. Založeny na algoritmu REINFORCE Ronalda Williamse z roku 1992 a teorému gradientu politiky Suttona a kolegů (2000), přirozeně zpracovávají stochastické a spojité akční prostory a tvoří základ moderních algoritmů actor-critic a deep-RL.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 2). Policy Gradient Methods (REINFORCE / Actor-Critic). ScholarGate. https://scholargate.app/cs/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.
- Konvexní optimalizaceOptimalizace↔ compare
- Hluboké zpatňované učeníHluboké učení↔ compare
- Q-učeníStrojové učení↔ compare
- Stochastický gradientní sestup (SGD)Strojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →