Self-Refineの概要と関連アルゴリズム及び実装例
Self Refine
"GPT-4以上？ 自分で何度も“推敲”し完成度を上げる言語生成AI「Self-Refine」"では米カーネギーメロン大学、Allen Institute for Artificial Int...
強化学習
Generalized Advantage Estimation (GAE)の概要とアルゴリズム及び実装例
Generalized Advantage Estimation (GAE)の概要
Generalized Advantage Estimation (GAE)は、強化学習におけるポリシーの最適化に使われる手法の一...
アドバンテージ学習の概要とアルゴリズム及び実装例
アドバンテージ学習の概要
アドバンテージ学習（Advantage Learning）は、"Q-学習の概要とアルゴリズム及び実装例について"で述べているQ学習や"ポリシー勾配法の概要とアルゴリズム及び実装例"で述べて...
ポリシー勾配法の概要とアルゴリズム及び実装例
ポリシー勾配法の概要
ポリシー勾配法（Policy Gradient Method）は、強化学習（Reinforcement Learning, RL）において、エージェントが直接ポリシー（行動選択の方針）を学習す...
価値勾配法の概要とアルゴリズム及び実装例について
価値勾配法の概要
価値勾配法（Value Gradients）は、強化学習や最適化の文脈で使用される手法の一つであり、状態価値やアクション価値といった価値関数に基づいて勾配を計算し、その勾配を使って方策の最適化を行...
カーリー・ウィンドウ探索（Curiosity-Driven Exploration）の概要とアルゴリズム及び実装例について
カーリー・ウィンドウ探索（Curiosity-Driven Exploration）の概要
カーリー・ウィンドウ探索（Curiosity-Driven Exploration）は、強化学習においてエージェントが興味...
ACKTRの概要とアルゴリズム及び実装例について
ACKTRの概要
ACKTR（Actor-Critic using Kronecker-factored Trust Region）は、強化学習のアルゴリズムの一つであり、トラストリージョン法（Trust Regi...
最適制御に基づく逆強化学習（Optimal Control-based Inverse Reinforcement Learning）の概要とアルゴリズム及び実装例について
最適制御に基づく逆強化学習（Optimal Control-based Inverse Reinforcement Learning）の概要
最適制御に基づく逆強化学習（Optimal Control-based ...
最大エントロピー逆強化学習（Maximum Entropy Inverse Reinforcement Learning, MaxEnt IRL）の概要とアルゴリズム及び実装例について
最大エントロピー逆強化学習（Maximum Entropy Inverse Reinforcement Learning, MaxEnt IRL）の概要
最大エントロピー逆強化学習（Maximum Entropy ...
逆強化学習の概要とアルゴリズム及び実装例について
逆強化学習の概要について
逆強化学習（Inverse Reinforcement Learning, IRL）は、強化学習の一種で、エキスパートの行動データからエキスパートの意思決定の背後にある報酬関数を学習するタ...