Actor-critic

Определение

Actor-critic — это класс алгоритмов обучения с подкреплением, объединяющий актёра (политику) и критика (функцию ценности). Актёр выбирает действия, а критик оценивает их, обеспечивая стабильное обучение за счёт уменьшения дисперсии градиентов. В контексте RLHF архитектура actor-critic часто используется без буфера опыта, как в методе ReST.

Где встречается

• 990. Как работает ReST (Reinforced Self-Training)? Чем отличается от PPO (итеративное обучение на собственных генерациях)?

Навигация

• Индекс терминов
• Индекс разборов
• Оглавление