Методи градієнта політики
Методи градієнта політики — це алгоритми навчання з підкріпленням, які оптимізують параметризовану політику безпосередньо за допомогою градієнтного підйому за очікуваним поверненням, а не шляхом вивчення значень дій та вибору найкращої. Засновані на алгоритмі REINFORCE Рональда Вільямса (1992) та теоремі про градієнт політики Саттона та його колег (2000), вони природно обробляють стохастичні та неперервні простори дій і лежать в основі сучасних алгоритмів актор-критик та глибокого навчання з підкріпленням.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 2). Policy Gradient Methods (REINFORCE / Actor-Critic). ScholarGate. https://scholargate.app/uk/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.
- Опукла оптимізаціяОптимізація↔ compare
- Глибоке навчання з підкріпленнямГлибоке навчання↔ compare
- Q-LearningМашинне навчання↔ compare
- Стохастичний градієнтний спуск (SGD)Машинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →