เปรียบเทียบวิธี

	ระเบียบวิธีเกรเดียนต์นโยบาย	โครงข่ายประสาทเทียมแบบเวียนซ้ำ (Recurrent Neural Network - RNN)
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1992	1986–1990
ผู้ริเริ่ม	Ronald Williams (REINFORCE); Sutton et al. (policy gradient theorem)	Rumelhart, D. E.; Elman, J. L.
ประเภท	Policy-based reinforcement learning	Sequential neural network
แหล่งต้นตำรับ	Williams, R. J. (1992). Simple statistical gradient-following algorithms for connectionist reinforcement learning. Machine Learning, 8(3–4), 229–256.	Elman, J. L. (1990). Finding structure in time. Cognitive Science, 14(2), 179–211.
ชื่อเรียกอื่น	REINFORCE, actor-critic, policy optimization, politika gradyanı	RNN, Elman network, Jordan network, simple recurrent network
ที่เกี่ยวข้อง	4	3
สรุป	Policy gradient methods are reinforcement-learning algorithms that optimize a parameterized policy directly by gradient ascent on the expected return, rather than learning action-values and acting greedily. Founded on Ronald Williams' 1992 REINFORCE algorithm and the policy gradient theorem of Sutton and colleagues (2000), they naturally handle stochastic and continuous action spaces and underpin modern actor-critic and deep-RL algorithms.	A Recurrent Neural Network (RNN) is a class of neural network designed to process sequential data by maintaining a hidden state that carries information across time steps. Introduced in its modern form by Rumelhart et al. (1986) and further shaped by Elman (1990), RNNs became the dominant architecture for sequence modelling in NLP, speech, and time-series analysis before the rise of attention-based models.