ระเบียบวิธีเกรเดียนต์นโยบาย
ระเบียบวิธีเกรเดียนต์นโยบาย (Policy gradient methods) เป็นขั้นตอนวิธีในการเรียนรู้แบบเสริมกำลังที่ปรับปรุงนโยบายแบบมีพารามิเตอร์โดยตรงด้วยการไต่ระดับเกรเดียนต์ (gradient ascent) บนผลตอบแทนที่คาดหวัง แทนที่จะเรียนรู้ค่าการกระทำและดำเนินการอย่างโลภ ระเบียบวิธีเหล่านี้มีพื้นฐานมาจากขั้นตอนวิธี REINFORCE ของ Ronald Williams ในปี 1992 และทฤษฎีเกรเดียนต์นโยบายของ Sutton และคณะ (2000) ซึ่งสามารถจัดการกับปริภูมิการกระทำแบบสุ่มและแบบต่อเนื่องได้อย่างเป็นธรรมชาติ และเป็นรากฐานของขั้นตอนวิธี Actor-Critic และ Deep-RL สมัยใหม่
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 2). Policy Gradient Methods (REINFORCE / Actor-Critic). ScholarGate. https://scholargate.app/th/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.
- การหาค่าเหมาะที่สุดแบบนูน (Convex Optimization)การหาค่าเหมาะที่สุด↔ compare
- การเรียนรู้แบบเสริมกำลังเชิงลึกการเรียนรู้เชิงลึก↔ compare
- Q-Learningการเรียนรู้ของเครื่อง↔ compare
- Stochastic Gradient Descent (SGD)การเรียนรู้ของเครื่อง↔ compare