問題
以下の説明に対応する名称の組み合わせとして、最も適切な選択肢を1つ選べ。（あ）方策更新でよく使われる安定化手法（い）非同期に複数のエージェントで学習する手法
- A. （あ）PPO （い）A3C
- B. （あ）A3C （い）PPO
- C. （あ）BERT （い）ELMo
- D. （あ）YOLO （い）SSD
深層強化学習
G検定 実践演習の問題です。解説付きで個別に学習できます。
解説（正解: A）
正解はA。PPOは方策更新を安定させる工夫を持つ深層強化学習手法である。A3CはAsynchronous Advantage Actor-Criticの略で、複数のエージェントが非同期に学習する手法として知られる。Cは自然言語処理、Dは画像認識のモデルである。