生成AIパスポート 用語集機械学習
報酬とはほうしゅう
報酬の意味
報酬とは、強化学習において、コンピュータが取った行動がどれだけ目標の達成に役立ったかを表す評価のことです。目標に近づく行動にはプラスの報酬、遠ざかる行動にはマイナスの報酬が与えられ、コンピュータは将来得られる報酬の合計をできるだけ大きくするように行動を選べるよう学習していきます。
生成AIパスポート試験の対策なら → 無料の合格アプリ
詳しい解説
強化学習は、ペットのしつけにたとえられます。良い行動をしたらごほうびを与え、望ましくない行動には与えないことで、次第に望ましい行動が増えていきます。報酬はこの「ごほうび」と「ペナルティ」にあたります。
コンピュータは、報酬をただ受け取るだけでなく、「この行動を取ればどれだけ報酬が得られそうか」を予測しながら動きます。この予測にかかわるのが「価値」（状態や行動の良さの指標）であり、価値をもとに「どの状況でどう動くか」を決めるルールが「方策」です。報酬・価値・方策の3つはセットで理解しておきましょう。
試験のポイント
- 強化学習で、目標達成に近づく行動に与えられる評価
- プラスの報酬とマイナスの報酬がある
- コンピュータは報酬を予測し、その最大化を目指して行動を選ぶ
- 「価値」「方策」との関係を整理しておく
報酬の確認問題（○×）
強化学習における報酬は、目標に近づく行動に与えられるプラスの報酬だけで、マイナスの報酬は存在しない。
答えと解説を見る
答え：×
目標から遠ざかる行動にはマイナスの報酬が与えられます。