問題番号: No.2805 (しっかりモード)

強化学習の枠組みにおいて、環境の動特性や価値関数を経由せず、行動選択の確率を定義する方策のパラメータを報酬の期待値に関する微分値に基づいて直接調整し、期待収益の最大化を目的として最適化を図る一連の学習手法を何というか。