Policy Gradient Methods

বেসলাইন ফাংশন

গ্রেডিয়েন্ট অনুমানের ভ্যারিয়েন্স কমানোর জন্য রিটার্ন থেকে বিয়োগ করা ফাংশন, যা সাধারণত স্টেট ভ্যালু ফাংশন হয় এবং কোনো পক্ষপাত প্রবর্তন না করে।

← ফিরে যান