Policy gradient

Policy gradient je metóda posilňovaného učenia, ktorá priamo upravuje parametre politiky podľa gradientu očakávanej odmeny.

Použitie závisí od konkrétnej úlohy a očakávaného výsledku. V praxi treba poznať vstupy, kroky výpočtu, výstup a podmienky, pri ktorých je výsledok spoľahlivý.

Overenie sa robí na reprezentatívnych dátach alebo scenároch, voči jasnej porovnávacej základni a pomocou metrík zodpovedajúcich reálnemu cieľu. Kontrola má zahŕňať aj hraničné prípady, neistotu a prevádzkové náklady.

Rizikom je nesprávny vstup, nevhodná voľba postupu, numerická nestabilita alebo použitie mimo overeného rozsahu. Prevenciou sú hraničné testy, porovnanie s referenčným riešením a meranie chýb.

Policy gradient sa od pojmov Q-learning, Principal component analysis, Proximal policy optimization odlišuje funkciou, vstupmi, spôsobom výpočtu a účelom výsledku. Súvisiace pojmy môžu spolupracovať, nie sú však automaticky zameniteľné.