↑: [[G検定に関する知識]] - 強化学習の基本的な**方策勾配法**アルゴリズム - [[モンテカルロ法]]に基づく：エピソード全体が終了してから累積報酬で学習 - 価値関数を使わない（方策を直接更新する） - エピソード全体を使って一括更新する - [[TD誤差]]を使わない（TD誤差を使うのはActor-Criticなど） - TD誤差との対比 - REINFORCE：エピソード終了後に一括更新（モンテカルロ） - Actor-Critic：1ステップごとに逐次更新（TD誤差）