Методы градиента политики
Методы градиента политики — это алгоритмы обучения с подкреплением, которые оптимизируют параметризованную политику напрямую посредством градиентного подъема по ожидаемой награде, вместо того чтобы изучать ценность действий и действовать жадно. Основанные на алгоритме REINFORCE Рональда Уильямса 1992 года и теореме о градиенте политики Саттона и его коллег (2000), они естественным образом обрабатывают стохастические и непрерывные пространства действий и лежат в основе современных алгоритмов actor-critic и deep-RL.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 2). Policy Gradient Methods (REINFORCE / Actor-Critic). ScholarGate. https://scholargate.app/ru/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.
- Выпуклая оптимизацияОптимизация↔ compare
- Глубокое обучение с подкреплениемГлубокое обучение↔ compare
- Q-обучениеМашинное обучение↔ compare
- Стохастический градиентный спуск (SGD)Машинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →