覚え書きブログ

読者です 読者をやめる 読者になる 読者になる

強化学習覚え書き(policy gradient法の種類)

policyは、状態が与えられたもとで、行動を選択する条件付き確率とする。 PGPE (Policy Gradient with Parameter-Based Exploration) policyのパラメータの事前分布を導入し、policyを学習する問題を事前分布を学習する問題に置き換える。ただし、policyはg…