Machine learningReinforcement learning
方策勾配法
方策勾配法は、行動価値を学習して貪欲に行動するのではなく、期待収益に対する勾配上昇法によってパラメータ化された方策を直接最適化する強化学習アルゴリズムです。1992年のRonald WilliamsによるREINFORCEアルゴリズムと、Suttonらの (2000) の方策勾配定理に基づき、確率的かつ連続的な行動空間を自然に扱い、現代のアクタークリティック法や深層強化学習アルゴリズムの基盤となっています。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- 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 ↗
このページの引用方法
ScholarGate. (2026, June 2). Policy Gradient Methods (REINFORCE / Actor-Critic). ScholarGate. https://scholargate.app/ja/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.
Compare side by side →