AI اور دنیا کے مشکل مسائل · نظریاتی کمپیوٹر سائنس · arXiv · 2026-10-23

تقسیمی عدم مطابقت کے تحت آن-پالیسی پالیسی گریڈینٹ طریقوں کا تجزیہ

اصل عنوان: Analysis of On-policy Policy Gradient Methods under the Distribution Mismatch

بہت سے جدید ترین پالیسی گریڈینٹ طریقے اپ ڈیٹ کی سمتوں کا تخمینہ ایسی سیمپلنگ تقسیم سے لگاتے ہیں جو اس ڈسکاؤنٹڈ اسٹیٹ ڈسٹری بیوشن سے مختلف ہوتی ہے جس کا پالیسی گریڈینٹ تھیورم تقاضا کرتا ہے۔ یہ مطالعہ تجزیہ کرتا ہے کہ یہ تقسیمی عدم مطابقت ان طریقوں پر کیسے اثر انداز ہوتی ہے، اور ٹیبولر ڈائریکٹ اور سافٹ میکس پیرامیٹرائزیشنز کے لیے متعصب اپ ڈیٹس کے تحت مقصدی قدروں کا عالمی ارتکاز دکھاتا ہے۔ یہ اس بات کا واضح معیار بھی دیتا ہے کہ آیا عدم مطابقت علامتی ارتکاز کو تیز کرتی ہے یا سست، اور حدود کو زیادہ عمومی پالیسی پیرامیٹرائزیشنز تک وسعت دیتا ہے۔

اصل تحریر پڑھیں ↗

تمام آئٹمز →