Which algorithm uses a policy network to directly approximate the policy in reinforcement learning?

Đáp án đúng: "Policy gradient". Phương pháp gradient chính sách tham số hoá trực tiếp chính sách bằng một mạng chính sách (policy network) xuất ra xác suất của từng hành động khi biết trạng thái, rồi cập nhật tham số theo hướng gradient của phần thưởng kỳ vọng, ví dụ REINFORCE hay các biến thể actor-critic. "Q-learning" là phương pháp dựa trên giá trị: học hàm Q của cặp trạng thái và hành động, chính sách chỉ được suy ra gián tiếp bằng cách chọn hành động có Q lớn nhất. "Monte Carlo methods" là cách ước lượng giá trị bằng trung bình lợi tức của các tập trọn vẹn; nó có thể được dùng trong gradient chính sách nhưng bản thân không phải là mạng chính sách. "Temporal Difference (TD) learning" cập nhật ước lượng giá trị bằng sai số giữa hai bước liền nhau, cũng thuộc họ dựa trên giá trị chứ không xấp xỉ trực tiếp chính sách.