Definition
オンポリシーアルゴリズムでは、エージェントは現在のポリシーによって取られた行動から直接学習する必要があります。これは、探索中に収集されたデータが即座にポリシーの更新に使用され、一貫性を確保することを意味します。
Summary
評価および改善されるポリシーが、データ生成に使用されるポリシーと同じである強化学習のアプローチ。
Key Concepts
- 強化学習
- ポリシー勾配
- データの一貫性
- サンプル効率
Use Cases
- 安全性制約のあるロボティクス制御
- 正確な更新を必要とするゲームプレイエージェント
- リアルタイム適応システム