Policy Gradient Methods

এনট্রপি রেগুলারাইজেশন

অত্যধিক নির্ধারিত পলিসিগুলোকে শাস্তি দিয়ে এক্সপ্লোরেশন উৎসাহিত করতে অবজেক্টিভ ফাংশনে এনট্রপি টার্ম যোগ করা, যা শেখার রোবাস্টনেস উন্নত করে।

← ফিরে যান