Policy Gradient Methods

অ্যাডভান্টেজ ফাংশন

একটি প্রদত্ত অবস্থায় গড় কর্মের তুলনায় একটি কর্মের শ্রেষ্ঠত্বের পরিমাপ, গ্রেডিয়েন্টের ভ্যারিয়েন্স কমানোর জন্য Q ফাংশন এবং V ফাংশনের পার্থক্য হিসাবে গণনা করা হয়।

← ফিরে যান