华为政企数据中心网络交换机产品集

我继续在学习《ML Lecture 23-1: Deep Reinforcement Learning by Hung-yi Lee》中的视频教程https://youtu.be/W8XF3ME8G2I?si=zEQ3qj_iXzZZ-n85，其中提到：
“”"
$$\begin{array}{rl}& \begin{array}{l}\text{ Gradient Ascent }\\ {\theta }^{\text{new }}\leftarrow {\theta }^{\text{old }}+\eta \nabla {\bar{R}}_{{\theta }^{\text{old }}}\end{array}=\sum _{t=1}^T\nabla \log p\left(a_t\mid s_t,\theta \right)\\ & \nabla {\bar{R}}_{\theta }\approx \frac{1}{N}\sum _{n=1}^{N}R\left({\tau }^n\right)\nabla \log P\left({\tau }^n\mid \theta \right)=\frac{1}{N}\sum _{n=1}^{N}R\left({\tau }^n\right)\sum _{t=1}^{T_n}\nabla \log p\left(a_t^n\mid s_t^n,\theta \right)\\ & =\frac{1}{N}\sum _{n=1}^N\sum _{t=1}^{T_n}R\left({\tau }_o^n\right)\nabla \underline{\log }p\left(a_t^n\mid s_t^n,\theta \right)\\ & \end{array}$$
“”"
“这里的 Gradient Ascent 的微分是很符合人类直觉的，$R\left({\tau }^n\right)$为正则会提升获得此次胜利的过程中采取的每一次动作的概率；而$R\left({\tau }^n\right)$为负，则会降低这些动作出现的概率”，请问，这种说法正确吗