Proximal Policy Optimization (PPO)
Stabiles, verbreitetes RL-Verfahren.
PPO ist ein weit verbreitetes Verfahren des bestärkenden Lernens, das die Strategie eines Agenten in vorsichtigen, begrenzten Schritten verbessert, um das Training stabil zu halten. Es gilt als robust und praxistauglich und wird unter anderem beim Feinschliff von Sprachmodellen per RLHF eingesetzt.