R3 cabang
RL: policy gradient (REINFORCE)
Saat keadaan kontinu, tabel tidak cukup: kebijakan menjadi jaringan saraf π(a|s). REINFORCE menaikkan log-probabilitas aksi yang diikuti return tinggi, dengan baseline untuk mengurangi varians.
URUTAN BELAJAR
- kebijakan stokastik
- log π(a|s)
- return-to-go
- REINFORCE
- baseline & advantage
HASIL YANG DISIMPAN
Agen REINFORCE di lab cart-pole dan grafik return-nya dibanding PPO.
CEK PEMAHAMAN
Kenapa gradien REINFORCE sangat berisik, dan bagaimana baseline membantu tanpa membuatnya bias?