強化学習のπθ(s,a)とは

Question

強化学習の本でπθ(s,a)と習ったのですがこれは関数か何かなのでしょうか？ もし関数ならこの関数を実行しているのはaだったらしっくりくるのですがいまいちこのπθ(s,a)の書き方に納得できません なぜこのように書くのでしょうか？
とても抽象的な表現で初歩的な質問なのですがよろしくお願いします｡

Comments

[mather]

情報が断片的すぎます。文脈が変われば記号の意味がすべて変わってしまうので、具体的にどの内容について聞きたいのか書きましょう。
たとえば、以下のページに同じ記号が出てきますがこういうことでしょうか？
https://qiita.com/YN6127yn/items/2432e8a1d1fb11c1111b#monte-carlo-policy-gradient

[tiitoi]

解決済みのようですが、回答について気になったので補足します。
強化学習の文脈で \pi_\theta (s, a) といった場合、確率方策関数を表します。
s は state (状態)、a は action の略で、今エージェントが s の状態にあるとき、行動 a を取る確率です。
\theta はこの関数を特徴づけるパラメータで、学習によって値を更新します。

Answer 1

本で書かれているのは数学の式ではないでしょうか？
πはPI(パイ)の事でθはtheta(シータ)の事ですね。こことかも参考になると思います。

プログラムで書く場合でもπθ(s,a)でも関数としてコンパイルは通ります。sとaは本に書いていると思います。
sとaに何を入れればいいのかは、あくまでの予想ですが、両方float型でsはsin値でaはAxis値の事ではないでしょうか？

Comments

[albeitokei]

なるほどそんな関連性があったのですか 少しイメージしやすくなりました
拙い質問だったと思いますが詳しく回答して下さってありがとうございます 指名してよかったです｡

[stdio]

ベストアンサー、ありがとうございました。