Policy Gradient -menetelmät
Policy gradient -menetelmät ovat vahvistusoppimisalgoritmeja, jotka optimoivat parametrisoitua politiikkaa suoraan gradienttinousulla odotetun tuoton suhteen sen sijaan, että ne oppisivat toimintoarvoja ja toimisivat ahneesti. Ronald Williamsin vuoden 1992 REINFORCE-algoritmin ja Suttonin ja kumppaneiden (2000) politiikkagradienttilauseen pohjalta ne käsittelevät luonnostaan stokastisia ja jatkuvia toimintoavaruuksia ja muodostavat modernien actor-critic- ja deep-RL-algoritmien perustan.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 2). Policy Gradient Methods (REINFORCE / Actor-Critic). ScholarGate. https://scholargate.app/fi/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.
- Konveksi optimointiOptimointi↔ compare
- Syvä vahvistusoppiminenSyväoppiminen↔ compare
- Q-oppiminenKoneoppiminen↔ compare
- Stokastinen gradienttimenetelmä (SGD)Koneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →