Grádiens alapú házirend-módszerek
A grádiens alapú házirend-módszerek (policy gradient methods) olyan megerősítéses tanulási algoritmusok, amelyek a paraméterezett házirendet közvetlenül optimalizálják a várható hozam grádiens emelkedésével, ahelyett, hogy akcióértékeket tanulnának és mohón cselekednének. Ronald Williams 1992-es REINFORCE algoritmusán és Sutton és munkatársai (2000) házirend-grádiens tételén alapulnak, természetesen kezelik a sztochasztikus és folytonos akciótereket, és megalapozzák a modern aktor-kritikus és mély megerősítéses tanulási (deep-RL) algoritmusokat.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 2). Policy Gradient Methods (REINFORCE / Actor-Critic). ScholarGate. https://scholargate.app/hu/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.
- Konvex optimalizálásOptimalizálás↔ compare
- Mély megerősítéses tanulásMélytanulás↔ compare
- Q-tanulásGépi tanulás↔ compare
- Sztochasztikus gradiens leszúrás (SGD)Gépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →