REINFORCE — REINFORCE 算法

事实

按回报直接更新策略的蒙特卡洛策略梯度方法。

人话

REINFORCE像月底算提成：这单成了，就把前面那套话术动作都算功劳，下次继续这么干。

常用于策略优化，适合回合结束后统一记奖惩的任务。

相关概念

• 策略梯度
• Reinforcement Learning｜强化学习
• 演员-评论家方法
• 人类反馈强化学习

Policy Gradient
REINFORCE 是策略梯度方法的经典入门形式。

Reinforcement Learning
它用环境回报来直接更新策略参数。

Actor-Critic
Actor-Critic 可看作对它的改进版，方差更低。

RLHF
RLHF 的策略优化部分继承了这类强化学习思路。