Policy Gradient-metoder
Policy gradient-metoder er algoritmer inden for forstærkningslæring, der optimerer en parametriseret politik direkte ved gradientstigning på det forventede afkast, snarere end at lære handlingsværdier og handle grådigt. Baseret på Ronald Williams' REINFORCE-algoritme fra 1992 og policy gradient-teoremet af Sutton og kolleger (2000) håndterer de naturligt stokastiske og kontinuerlige handlingsrum og danner grundlag for moderne actor-critic- og deep-RL-algoritmer.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 2). Policy Gradient Methods (REINFORCE / Actor-Critic). ScholarGate. https://scholargate.app/da/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.
- Konveks optimeringOptimering↔ compare
- Dyb ForstærkningslæringDyb læring↔ compare
- Q-LearningMaskinlæring↔ compare
- Stokastisk gradientnedstigning (SGD)Maskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →