方策勾配法
強化学習における方策勾配法の説明として、最も適切なものを1つ選べ。
- A
正解ラベルとの誤差を最小にするように、分類器を学習する
- B
全状態の価値を表にして、表の値だけを更新する
- C
価値を介さずに、方策（行動の選び方）のパラメータを、報酬が大きくなる方向に直接更新する
- D
環境のモデルを事前に完全に知っていることを前提にする
正解と解説を見る
正解：C
方策勾配法は、方策のパラメータを直接更新する手法。価値ベース（Q学習）と方策ベース、その両方を使うActor-Criticの3つに整理できる。
| 用語 | 内容 |
|---|---|
| 方策 | 状態から、行動を選ぶ規則（確率で表すこともある） |
| 方策勾配法 | 期待される報酬が増える向きに、方策のパラメータを直接更新する |
- A
誤り。教師あり学習の説明。
- B
誤り。表を使うQ学習などの価値ベースの手法の説明。
- C
正しい。連続的な行動も扱いやすい。
- D
誤り。方策勾配法は環境のモデルを必要としない場合もある。
このサイトの問題は、各試験の公開されているシラバスに沿って作ったオリジナルの模擬問題です。本試験の問題ではありません。日本ディープラーニング協会（JDLA）・一般社団法人生成AI活用普及協会（GUGA）の公式サービスではありません。