Unverified50% confidenceFactExact time
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
Sources
50%
Confidence
Long-term
Relevance
8/7/2026
First Seen
Sources
Related Claims
Unverified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% similarUnverified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% similarUnverified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% similarUnverified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% similarUnverified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% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/705622API
curl https://kongchang.com/api/v1/knowledge/claims/705622MCP
get_claim(id=705622)