知识卡片

普通读书笔记卡 · 2700.d.2.a.1.a.1.b.1.b · 生成模型:未记录

演员用评判信号改策略

理解等级:中级

演员给动作分布,评判家消费转移样本来估价值。演员再根据评判信号改变动作选择。与整回合策略梯度相比,评判家可降低等待和波动,但它的拟合误差会影响演员更新。

关联:[[策略梯度给回报好的动作加权]]。评判器替代部分高方差的直接回报。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《强化学习入门:从原理到实践》第7章《7.3 Actor-Critic算法》,来源项目 book-source,`extracted/强化学习入门:从原理到实践/_epub-src/OEBPS/Text/chapter69.xhtml`,body 子元素 2 - 结论依据:原文区分角色并说明评判家也要学习。 - 原始内容:行为价值函数充当评估者(Critic),负责评价演员的表现