Uczenie i dostrajanie
Optymalizacja polityki z ograniczeniem zmian
Proximal policy optimization
Inne nazwy i skróty: PPO.
Co to jest optymalizacja polityki z ograniczeniem zmian?
Rodzina algorytmów uczenia ze wzmocnieniem, która ogranicza zbyt gwałtowne zmiany strategii między aktualizacjami.
Bywa stosowana do optymalizacji modeli językowych względem nagrody. Polski opis wyjaśnia zasadę, natomiast w praktyce używa się skrótu PPO.
Jak tłumaczyć ten termin?
To tłumaczenie opisowe; nie należy przedstawiać go jako jedynego ustalonego polskiego rozwinięcia PPO.
Przykład zastosowania
W symulacji agent uczy się wybierać działania, ograniczając wielkość kolejnych zmian swojej strategii.
O czym pamiętać?
Ograniczenie zmian strategii nie gwarantuje, że nagroda opisuje właściwy cel.
Powiązane pojęcia
- Parametry modelu (Model parameters)
- Uczenie maszynowe (Machine learning)