policy gradient

Определение

Класс алгоритмов reinforcement learning, которые обновляют политику (стратегию) напрямую через градиент награды; к ним относится PPO.

Где встречается

• 334. Как вы делаете online RL для агентов (self-improvement loops)
• 339. Как работает алгоритм ReST (Reinforced Self-Training) и когда он лучше PPO
• 800+ вопросов

Навигация

• Индекс терминов
• Индекс разборов
• Оглавление