待验证50% 置信事实精确时间
策略梯度的核心思想源自 REINFORCE 算法（Williams, 1992），通过对轨迹回报的蒙特卡洛估计来计算策略参数的梯度
1
来源数
50%
置信度
长期有效
时效性
2026/8/7
首次发现
来源
相关事实
待验证策略梯度方法本质上是on-policy的，因为梯度估计中的期望是关于当前策略分布的73% 相似待验证贝尔曼方程将长期累积奖励的优化问题分解为可递归求解的子问题，奠定了Q-learning、策略梯度等经典算法的理论根基67% 相似待验证反向传播算法由Rumelhart、Hinton和Williams于1986年系统化提出，其核心依赖链式法则将损失函数的梯度逐层传递至每个参数66% 相似待验证贝叶斯优化通过构建目标函数的概率代理模型（通常是高斯过程），利用采集函数（如Expected Improvement或Upper Confidence Bound）决定下一个采样点64% 相似待验证贝叶斯优化利用高斯过程建模目标函数进行超参数调优64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/705622API
curl https://kongchang.com/api/v1/knowledge/claims/705622MCP
get_claim(id=705622)