方策

Actor-Critic方式は、強化学習において価値関数を推定するCriticと、方策を決定するActorを組み合わせた手法です。ActorはCriticから提供される価値関数の勾配に基づいて方策を更新し、CriticはActorが選択した行動の価値を予測し、その予測誤差に基づいて価値関数を更新します。この相互作用により、Actorは価値の高い行動を選択する方策を学習し、Criticはより正確な価値関数を推定できるようになります。