概念pathwise gradient / 重参数化梯度
路径导数
将随机采样表示为确定性函数与独立噪声组合、直接对概率输出求导的梯度估计方法,相较REINFORCE方差更低,在决策头优化中更稳定
时间轴 (近 90 天)
11月13日
重参数化技巧(如Gumbel-Softmax或路径导数)允许从连续分布中采样并保持梯度流,从而将规则满足概率嵌入端到端训练。
待验证50%
11月13日
将概率作为损失并通过路径导数进行优化可以避免REINFORCE奖励导致的性能崩溃;使用REINFORCE奖励r或r减去p也能达到类似效果。
待验证50%