Μέθοδοι Κλίσης Πολιτικής
Οι μέθοδοι κλίσης πολιτικής (policy gradient methods) είναι αλγόριθμοι ενισχυτικής μάθησης που βελτιστοποιούν μια παραμετροποιημένη πολιτική απευθείας μέσω ανάβασης κλίσης στην αναμενόμενη απόδοση, αντί να μαθαίνουν τιμές ενεργειών και να δρουν άπληστα. Βασισμένες στον αλγόριθμο REINFORCE του Ronald Williams (1992) και στο θεώρημα κλίσης πολιτικής των Sutton και συνεργατών (2000), διαχειρίζονται φυσικά στοχαστικούς και συνεχείς χώρους ενεργειών και αποτελούν τη βάση σύγχρονων αλγορίθμων actor-critic και deep-RL.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 2). Policy Gradient Methods (REINFORCE / Actor-Critic). ScholarGate. https://scholargate.app/el/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.
- Κυρτή ΒελτιστοποίησηΒελτιστοποίηση↔ compare
- Βαθιά Ενισχυτική ΜάθησηΒαθιά Μάθηση↔ compare
- Q-LearningΜηχανική Μάθηση↔ compare
- Στοχαστική Κάθοδος Κλίσης (SGD)Μηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →