Proximal Policy Optimization (PPO)

ট্রাস্ট রিজিয়ন

নীতি স্থানের মধ্যে একটি আস্থার অঞ্চল যেখানে হালনাগাদগুলো নিরাপদ বলে বিবেচিত হয়, যা পরপর নীতিগুলোর মধ্যে KL ডাইভারজেন্সের উপর একটি সীমাবদ্ধতা দ্বারা সংজ্ঞায়িত।

← ফিরে যান