Policy gradient-metoder
Policy gradient-metoder är förstärkningsinlärningsalgoritmer som optimerar en parametriserad policy direkt genom gradientuppstigning på den förväntade avkastningen, snarare än att lära sig aktionsvärden och agera girigt. Grundade på Ronald Williams REINFORCE-algoritm från 1992 och policy gradient-teoremet av Sutton och kollegor (2000), hanterar de naturligt stokastiska och kontinuerliga aktionsutrymmen och utgör grunden för moderna aktör-kritiker- och djup-RL-algoritmer.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). Policy Gradient Methods (REINFORCE / Actor-Critic). ScholarGate. https://scholargate.app/sv/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 optimeringOptimering↔ compare
- Djup förstärkningsinlärningDjupinlärning↔ compare
- Q-learningMaskininlärning↔ compare
- Stokastisk gradientnedstigning (SGD)Maskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →