policy

定義

強化学習で、状態を受け取ってどの行動を取るかを決める関数のこと。学習の対象はこの関数そのもので、方策勾配法などはこれを直接更新する。言語モデルをRLで調整する場合はモデル自身が方策にあたる。日常語の「方針・規約」とは別の技術用語。

論文題名での読み方

強化学習の中心概念

この語が出てくる解説

• 論文解説: Beyond Teacher Assignment — 複数の専門家を1つのモデルに蒸留するとき「誰が教えるか」だけでは足りない理由Beyond Teacher Assignment: Domain-Normalized Multi-Teacher On-Policy Distillation
• 論文解説: RewardVerse — 採点表を先に作ってから動画を採点する報酬モデル（RGPO）RewardVerse: Rubric-Guided Policy Optimization for Video Reward Modeling
• 論文解説: Bellman Policy Optimization — 価値モデルなしで「方策ミラー降下」をLLMに持ち込むBellman Policy Optimization