待验证50% 置信事实精确时间
score function 是策略梯度方法的理论基石，在 REINFORCE 等算法中指对数策略对参数的梯度项
1
来源数
50%
置信度
长期有效
时效性
2026/9/20
首次发现
来源
涉及实体
相关事实
待验证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79% 相似待验证策略梯度定理表明期望回报对策略参数的梯度可表示为 ∇J(θ) = E[∇log π_θ(a|s) · A(s,a)]，其中A是优势函数74% 相似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% 相似已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69% 相似待验证微积分中的梯度、导数概念是理解优化算法（如梯度下降）的必备工具69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/937386API
curl https://kongchang.com/api/v1/knowledge/claims/937386MCP
get_claim(id=937386)