अभिनेता-आलोचक के तरीके

अभिनेता-आलोचक विधियाँ दो शिक्षार्थियों को जोड़ती हैं: एक 'अभिनेता' जो कार्यों को चुनता है और एक 'आलोचक' जो यह आंकता है कि वे कार्य कितने अच्छे थे। यह जोड़ी अकेले किसी भी दृष्टिकोण का उपयोग करने की तुलना में सुदृढीकरण सीखने को अधिक स्थिर और नमूना-कुशल बनाती है।

आलोचक एक मूल्य फ़ंक्शन सीखता है और एक मूल्यांकन संकेत (टीडी त्रुटि की तरह) उत्पन्न करता है जो अभिनेता को बताता है कि उसके कार्य अपेक्षा से बेहतर थे या खराब।

लाभ इस बात को अलग करता है कि कोई विशिष्ट कार्रवाई उस स्थिति के विशिष्ट परिणाम से कितना बेहतर प्रदर्शन करती है, जो कच्चे रिटर्न की तुलना में अधिक स्वच्छ संकेत देती है।

आधार रेखा के रूप में आलोचक के मूल्य अनुमान को घटाने से पूर्वाग्रह को जोड़े बिना, सीखने की गति को बढ़ाते हुए, क्रमिक अनुमानों का विचरण कम हो जाता है।

क्योंकि अभिनेता सीधे तौर पर एक नीति को मानकीकृत करता है, यह अनंत क्रियाओं की अधिकतम आवश्यकता के बिना निरंतर क्रियाओं (जैसे, संयुक्त टॉर्क) को आउटपुट कर सकता है।

अभिनेता अपनी नीति को आलोचक के लाभ/टीडी-त्रुटि संकेत द्वारा सुझाई गई दिशा में समायोजित करता है, जिससे अपेक्षा से बेहतर कार्यों को बल मिलता है।