再試行を通じたポリシー勾配強化学習における探索の出現

ニュース概要

強化学習（RL）では、エージェントが類似した状態に繰り返し遭遇する場合にのみ探索から利益を得ます。異なるアクションを試すことで性能を改善または不確実性を低減できますが、再試行がなければ貪欲ポリシーが最適です。本論文ではこの直感をReMaxという目的関数で形式化しています。